我正在开发一个用于我自己工作的 C++ 机器学习库，并且对表示输入数据的最佳实践感到好奇。现在，我正在考虑使用一个 DataManager 类来处理从文件、从流等读取数据的 I/O 操作。在开发过程中，我意识到还需要创建类来管理特征标签（与输入数据相关联）和类标签（在训练数据的情况下）。

因此，我的实现有一个类，它从文件中读取数据（我使用的是 UCI 机器学习存储库）到一个 boost::variant 对象中。 DataManager 类重载了 operator>>，以便我可以从提供的行中读取每个逗号分隔的特征值；如果特征值是 ‘?’，它会输入 struct t_missing {}。

对于类/特征管理器，我正在考虑维护一个特征/类名称的链表以及每个类/特征中包含的实例数量是合适的。

无论如何，这只是我对这样一个类的最初想法，我很想听听关于实现的任何其他想法/建议。没有必要展示代码；我主要只是想听听我可能应该考虑的其他事情。

谢谢！

回答：

一些学习问题是关于稀疏数据的，即具有大量可能的特征，其中大多数为零的数据。在这种情况下，仅存储非零特征效率更高。

SVM 库通常就是这种情况，例如 LibSVM，它将向量存储为 (feature_index, feature_value) 对的列表。例如，他们用于向量的格式：

 [0, 1, 0, 0, 1, 0, 0, 1]

将是：（索引从 1 开始）

 2:1 5:1 8:1