Apprentissage automatique: PCA pour un nombre différent de fonctions

Question

Je suis un nouveau venu dans l'apprentissage automatique et je construis une application simple pour reconnaître les chiffres parlés. J'ai utilisé MFCC pour extraire la caractéristique de filtrage de mes fichiers audio. MFCC me délivre une matrice 13 x length_of_audio. Je voudrais utiliser cette information pour mon vecteur de fonctionnalité. Mais évidemment, chaque exemple aurait un nombre différent de fonctionnalités.
Ma question est quelles sont les approches pour gérer un nombre différent de fonctionnalités. Par exemple. Puis-je utiliser PCA pour toujours extraire un certain nombre de fonctionnalités et les utiliser dans un algorithme d'apprentissage particulier?
Je voudrais utiliser la régression logistique comme algorithme d'apprentissage.

C'est ce que j'ai reçu lors de l'analyse d'un des chiffres parlés.

Answer 1

Dans votre cas si vous avez pour un utilisateur un length_of_audio_matrix = N vous ne disposez pas d'un vecteur caractéristique de 13 * N, vous avez N caractéristiques des vecteurs de longueur 13 (ils forment une séquence, mais ils sont différents fonction vecteurs).

Vous devez composer une matrice de 13 caractéristiques:

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

Et vous pouvez ensuite appliquer l'analyse en composantes principales.

Vous avez seulement 13 fonctionnalités, avez-vous vraiment besoin de les réduire?