Python 如何利用两个特征向量训练支持向量机？

我有两个numpy阵列（功能）。numpy阵列的尺寸为：

音频=（360,13）-->从音频文件中提取特征

image=（360,5）-->从这些音频文件的频谱图中提取特征

我想使用这两个数组一起训练svm分类器。但我知道svm训练只得到一个数组。（svm.train（特征、标签））。我要找的是svm.train（音频、图像、标签）之类的东西吗

---

我还尝试连接这两个数组，但维度不同。我怎样才能解决这个问题

也许我误读了，但是维度是如何成为一个问题的呢

每个阵列中有360个样本，一个有13个维度，另一个有5个维度。将其转换为一个包含18维360个样本的单个阵列

您可能需要规范化这些值，但串联应该是：

new_data = np.concatenate((audio,image), axis=1)

您可以通过使数据值为零均值、单位方差（找到每个维度的均值和方差，从每个样本中减去均值，然后除以方差）来规范化数据值

---

编辑：您可能仍然以这种方式进行规范化，但我会使用@lejlot的解决方案。多内核方法很有意义，比这种方法更灵活。

您可以将它们连接起来。例如，像这样：，或者您可以训练两个SVM并处理预测结果。示例：.

虽然@Saedeas提供了一个简单的解决方案，但我建议采用稍微不同的方式

串联有利于同质功能，当数据来自完全不同的模式（如音频+视频）时，串联不起作用。但是，可以使用核函数的简单属性（这是支持向量机的基础）来处理，即两个核的和是一个核，因此我们可以定义：

K_{audio x video}(x,y) = a K_{video}(x_{video}, y_{video}) + 
                         (1-a) K_{audio}(x_{audio},y_{audio})

因此，分别给出每个模态的核，我们在其上定义一个联合核，其中a是要调整的超参数ae[0,1]

在代码方面，可以采用与已建议的类似的方式执行此操作：

# First concat, but only for easier handling
new_data = np.concatenate((audio,image), axis=1)
y = ...

def video_kernel(X, Y):
  ...

def audio_kernel(X, Y):
  ...

# now new kernel
def new_kernel(X, Y, a=0.5):
  return a*audio_kernel(X[:, :13], Y[:, :13]) + (1-a)*video_kernel(X[:, 13:], Y[:, 13:])

svm = SVC(kernel=new_kernel)
svm.fit(new_data, y)

---

好啊非常感谢。但我关心的是我是否应该正常化？如果我不正常化，会发生什么？它经常，但不总是，与梯度下降的速度有关。以下是关于动机的更多信息：

# First concat, but only for easier handling
new_data = np.concatenate((audio,image), axis=1)
y = ...

def video_kernel(X, Y):
  ...

def audio_kernel(X, Y):
  ...

# now new kernel
def new_kernel(X, Y, a=0.5):
  return a*audio_kernel(X[:, :13], Y[:, :13]) + (1-a)*video_kernel(X[:, 13:], Y[:, 13:])

svm = SVC(kernel=new_kernel)
svm.fit(new_data, y)