我正在进行一个项目，需要实现SVM机器学习算法。我试图预测前臂运动意图。我使用加速度计（附着在我的前臂上）来测量x、y、z轴的角度变化。我之前从未使用过机器学习。我遇到的问题是我不知道如何构建训练集。我知道每个轴的角度变化，并且知道例如当x=45度，y=65度，z=30度时，我执行的动作是屈曲。我希望实现三种手势。所以我拥有的是以下数据：

x     y     z      Target
20    60    90     flexion
100   63    23     internal rotation
89    23    74     twist

….

我有一个包含大约2000条记录的文件。我知道，我需要对训练集进行归一化处理，使数据按比例缩放。我希望将其缩放到[0.9, 0.1]范围内。问题是我不知道如何在我的训练集中表示目标。我可以简单地使用随机数字吗？比如用1表示屈曲，2表示内旋，3表示扭转？

此外，一旦训练完成，我可以仅基于x、y、z的值进行预测吗？无需提供目标值。我的理解正确吗？

回答：

首先，我建议你不要对数据进行缩放或编码。保持数据为人类可读的形式。相反，编写前端程序来执行这些任务，并编写后端程序来逆转这个过程。同时，还应该有内部程序可以以内部形式显示数据。提前做好这些工作将大大增强你后续的调试过程。

是的，你可能会想要将你的分类编码为1、2、3。另一种可能性是使用“单热”有序三元组：(1,0,0)或(0,1,0)或(0,0,1)。然而，大多数SVM算法是为标量输出设计的。此外，请注意，对于多类别算法的典型处理方式是运行三次独立的SVM计算，即“一对多”。对于每个类别，你将该类别作为“正”数据，其余所有类别作为“负”数据。

数据缩放对于回归收敛很重要。如果你是通过完全和直接计算支持向量来构建SVM的，你不需要缩放这些处于兼容范围内的数字。如果你是通过某种迭代近似方法来做的，对于这些数据你仍然不需要缩放——但请记住将来可能会需要。

是的，预测只需要输入：x、y、z。它将返回目标分类。这就是监督学习的目的：总结经验以对未来进行分类。