我想使用 scikit-learn 的svm.SVC()估计器在多维时间序列上执行分类任务 - 也就是说，在序列上，序列中的点在 R^d 中取值，其中 d> 1。
这样做的问题是，svm.SVC()最多只能接受维度为 2 的维度对象ndarray而此类数据集的维度为 3。具体来说，给定数据集的形状将是(n_samples, n_features, d)。
是否有可用的解决方法？一个简单的解决方案就是重塑数据集，使其是二维的，但是我想这会导致分类器无法正确从数据集中学习。
没有任何关于数据重塑的进一步知识是你能做的最好的事情。 特征工程是一门非常手工的艺术，在很大程度上依赖于领域知识。
根据经验：如果您对数据一无所知，请输入原始数据，看看它是否有效。如果您知道数据的哪些属性可能对分类有益，请尝试在要素中使用它。
假设我们要对触摸屏上的滑动模式进行分类。这与您的数据非常相似：我们通过每隔几毫秒记录一次 2D 位置来获取此类模式的许多时间序列。
在原始数据中，每个时间序列都具有n_timepoints * 2特征。我们可以直接将其用于分类。如果我们有额外的知识，我们可以用它来创建额外的/替代功能。
假设我们要区分锯齿形和波浪形图案。在这种情况下，平滑度(无论定义如何(可能是一个非常有用的功能，我们可以将其作为进一步的列添加到原始数据中。
另一方面，如果我们想区分慢模式和快模式，瞬时速度可能是一个很好的特征。但是，速度可以计算为沿时间轴的简单差值。即使是线性分类器也可以很容易地对此进行建模，因此可能会发现这些特征虽然原则上很好，但并不能改善原始数据的分类。
如果你有很多很多很多的数据(比如一个充满好例子的互联网(，深度学习神经网络可以在一定程度上自动学习特征，但假设这是相当先进的。最后，大多数实际应用都归结为尝试和错误。看看您可以想出哪些功能并在实践中试用它们。并小心过度拟合的小精灵。