我使用SVM对两组患者的临床图像进行分类(患者与对照组)。我使用PCA从每个图像中提取特征向量，但是我想添加其他临床信息(例如，临床检查的输出值)，以便将其包含在分类过程中。有办法做到这一点吗?我没有在文学作品中找到详尽的建议。
您可以在每个示例的末尾附加新信息。您可以尝试的另一种方法是使用两个额外的分类器，其中一个可以使用额外的信息进行训练，第三个分类器将其他两个分类器的输出作为输入，以产生最终的预测。
这个问题很老了，不过我还是把我的答案贴出来。
如果您必须缩放您的值，请确保新值缩放到与pca向量中的值相似的范围。如果你的PCA特征向量的长度是恒定的，你只需要从长度+1开始枚举你的特征，例如对于支持向量机输入(libsvm):
1 1:<PCAval1> ... N:<PCAvalN> N+1:<Clinical exam value 1> ...
我做了一个测试，添加了这些一般的功能来识别细胞，准确性提高了。
本指南描述了如何使用枚举器特性。
注。在我的测试中，我从显微镜图像中分离并挤压细胞到16x16的基质中。这个矩阵中的每个像素是一个特征- 256个特征。此外，我还添加了一些功能，如原始大小，时刻等