我有一个应用程序，用于判断一个人是在挥手、跑步还是走路。我的想法是将一个动作，比如挥手，分解成其各个姿势。比如说

示例：

for human1:pose7-pose3-pose7-..... represents handwavefor human3:pose1-pose7-pose1-..... represents handwavefor human7:pose1-pose1-pose7-..... represents handwavefor human20:pose3-pose7-pose7-..... represents handwavefor human1 pose11-pose33-pose77-..... represents walkingfor human2 pose31-pose33-pose77-..... represents walkingfor human3 pose11-pose77-pose77-..... represents walkingfor human20 pose11-pose33-pose11-..... represents walking

我使用上述向量在Matlab中训练了SVM和神经网络..

现在我用它来测试图像。我同样对测试图像进行了姿势分割。

对于在MATLAB中测试和训练集的向量尺寸；SVM和神经网络需要相同的向量尺寸。为了使其工作；
如果我添加0（假设它像pose0 – 这是一个无效的姿势），以使尺寸相等，我的表现非常好。
如果我在开头复制初始姿势并在末尾添加它们直到尺寸相等，性能会下降。

例如：

train set: pose1-pose2-pose4-pose7-pose2-pose4-pose7(1st method)test set: pose3-pose1-pose4-0-0-0-0 or(2nd method)test set: pose3-pose1-pose4-pose3-pose1-pose4-pose3

我原本期望使用第二种方法会有更好的分类效果，因为附加的值是实际的姿势值。但pose0并不是一个真实的姿势。

你有什么想法吗？谢谢

回答：

在你的案例中，你的数据由多个实例组成，每个实例包含多个特征（姿势槽，如PoseSlot1，PoseSlot2，…，PoseSlotN）和类别值（挥手、跑步或走路）。

你的问题是不同类别的特征数量不一致，例如跑步有7个姿势，而走路只有3个姿势。

处理这种问题的一种标准方法是用缺失值标记这些空槽，假设你的机器学习算法能够处理缺失值。

f1     f2    f3    f4    f5    f6    f7    class-------------------------------------------------pose1,pose2,pose4,pose7,pose2,pose4,pose7,runningpose3,pose1,pose4,    ?,    ?,    ?,    ?,walking

现在，你使用的第一种方法，即添加pose0，是对使用?表示缺失值的一种简化（类似于添加一个新的姿势来表示缺失值，而不是明确的?值）

另一种重复值的方法实际上会制造问题而不是解决问题，如果你仔细想想..你实际上是在创建相关的特征，而你知道，大多数机器学习算法在独立特征集上表现最佳（通常通过作为预处理步骤的特征选择来解决）