Машинное обучение: PCA для различного количества функций

Question

Я совершенно новый в обучении машинам, и я создаю простое приложение для распознавания устных цифр.
Я использовал MFCC для извлечения фильтрующей характеристики моих аудиофайлов. MFCC выводит мне матрицу размером 13 x length_of_audio. Я хотел бы использовать эту информацию для моего вектор-функции. Но, очевидно, каждый пример имел бы различное количество функций.
Вопрос в том, какие подходы обрабатывают различные функции. Например. могу ли я использовать PCA, чтобы всегда извлекать фиксированное количество функций, а затем использовать их в определенном алгоритме обучения?
Я бы хотел использовать логистическую регрессию как алгоритм обучения.

Это то, что я получил при анализе одной из разговорных цифр.

Answer 1

В вашем случае, если у вас есть для пользователя length_of_audio_matrix = N не имеют особенность вектор 13 * N, у вас есть N особенности векторов длины 13 (они составляют последовательность, но они отличаются особенностью векторы).

Вы должны составить матрицу из 13 функций:

MFCCUser1,Slot1 
MFCCUser1,Slot2 
.... 
MFCCUser1,SlotN 
MFCCUser2,Slot1 
MFCCUser2,Slot2 
... 

И тогда вы можете применить Principal Component Analysis.

У вас только есть 13 функций, вам действительно нужно их уменьшить?