여러 하위 기능을위한 피쳐 추출

Question

하위 기능을 포함하는 데이터 세트에 대한 일부 피쳐 추출 (또는 클러스터링)을 수행하고 싶습니다. 예를 들어, 데이터 집합은 아래와 같습니다. 목표는 데이터를 사용하여 로봇 유형을 분류하는 것입니다.

Samples : 100 robot samples [Robot 1, Robot 2, ..., Robot 100] 
Classes : 2 types [Type A, Type B] 
Variables : 6 parts, and 3 sub-features for each parts (total 18 variables) 
[Part1_weight, Part1_size, Part1_strength, ..., Part6_size, Part6_strength, Part6_weight] 

[무게, 크기, 강도]로 피쳐 추출을 수행하고 추출 된 피쳐를 부품의 대표 값으로 사용하고 싶습니다.

필자의 목표는 기능을 6 - [Part1_total, Part2_total, ..., Part6_total]로 축소 한 다음 해당 6 가지 기능으로 로봇의 유형을 분류하는 것입니다. 따라서 '무게', '크기'및 '강도'를 결합하여 문제를 해결해야합니다.

처음으로 PCA (Principal Component Analysis)를 적용하는 것이 가장 인기있는 피쳐 추출 알고리즘 중 하나이기 때문에 생각했습니다. 그러나 18 개 기능을 모두 별도로 고려하기 때문에 'Part1_weight'는 'Part2_weight'보다 더 중요한 것으로 간주 될 수 있습니다. 하지만 내가 알아야 할 것은 표본 사이에 '가중치', '크기'및 '강점'의 중요성이 있으므로 PCA는 적용 가능하지 않은 것으로 보입니다.

이 문제를 해결하기위한 방법이 있습니까?

Answer 1

부품 당 정확히 하나의 피쳐를 갖고 싶다면 부품 감소를 부품별로 수행하는 것 외에 다른 방법은 없습니다. 그러나 단순한 PCA보다 더 나은 선택이있을 수 있습니다. 예를 들어, 부품이 대체로 견고하면 그 무게는 크기의 세 번째 힘과 관련이 있기 때문에 PCA를 수행하기 전에 무게 또는 입방체의 3 차 근원을 취할 수 있습니다. 또는 두 값의 로그를 취할 수 있습니다. 다시 선형 종속성이 발생합니다.

물론 더 멋진 변형이 많이 있습니다. 통계에서 정상적인 데이터 배포를 위해 Box-Cox Transformation이 사용됩니다.

PCA를 수행하기 전에 변형 된 데이터를 정규화하는 것, 즉 평균을 빼고 각 변수의 표준 편차로 나누는 것도 고려해야합니다. 측정 단위의 영향을 제거합니다. 나는. 무게를 kg 단위, 원자 단위 또는 일요일 단위로 측정하는지 여부는 중요하지 않습니다.

Answer 2

파트 번호가 서로 다른 경우 (예 : 파트 1이 파트 2와 다르면 크기, 무게, 강도 매개 변수가 동일한 지 여부는 중요하지 않음) 각 파트마다 PCA를 한 번 수행 할 수 있습니다. 현재 PCA의 매개 변수로 현재 Part의 크기, 무게 및 강도 만 사용.

또는 파트 배열 순서가 중요하지 않은 경우 모든 (크기, 무게, 강도) 매개 변수 트리플을 사용하여 부품 번호에 따라 다르지 않은 하나의 PCA 만 수행 할 수 있습니다.