説明関数が３次元の場合のSVM

Question

前提・実現したいこと

svmの説明関数を３次元の状態のまま分類を行いたいと思っています。
Python3.7.4で現在SVMを実装しようとしています。
目的関数（data_ofj）はnp.ndimで”１”
説明関数（data_sets）はnp.ndimで”３”
という状況でfit関数にかけてみていますが、以下のようなエラーに悩まされています。
原因としては説明変数（data_sets）が３次元ではいけないことまでは分かったのですが、fit関数はどのようにしても２次元に落とし込まないといけないのでしょうか。
よろしくお願いいたします。

発生している問題・エラーメッセージ

ValueError: Found array with dim 3. Estimator expected <= 2.

該当のソースコード

　

　　X_train, X_test, Y_train, Y_test = train_test_split(data_ofj, data_sets, test_size=0.3)
    print(np.shape(Y_train))
    clf = SVC(kernel="rbf", C=1000, gamma=0.01)
    clf.fit(Y_train, X_train)
    test_pre = clf.predict(Y_test)

試したこと

一度、説明関数をreshapeやtranspose,stackを使い、無理やり２次元にした際にはできたのですが画像のピクセル値ではなく、時間に依存するデータですのでどうしてもそのまま使いたいと思っています。

Answer 1

fit関数はどのようにしても２次元に落とし込まないといけないのでしょうか

はい。

---

時系列データは汎用の機械学習手法で取り扱うには限界がありますから、

• 特徴抽出を行う

または

• 時系列データ向きのモデルを最初から使う

という工夫が必要かと思います。

Comments

[spoofy_dragon]

これはscikit-learnのfit関数のドキュメントですが，
https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC.fit
X{array-like, sparse matrix}, shape (n_samples, n_features)とあるように多次元にも適用可能です．
したがって，説明変数を2次元に落とし込む必要は必ずしもありません．

[hayataka2049]

質問文にある「2次元」は説明変数が2次元であることではなく、numpy配列のndimについての議論かと思います。
（プログラミング用語としての「n次元配列」であって、説明変数のベクトルの次元数については言及していない。数学的にはテンソルの階数と考えるのが無難か）
shape (n_samples, n_features)が要求されているということが、まさにそのまま「2次元配列出ないといけない理由」です。

[spoofy_dragon]

ああ，そういう意味でしたか誤解しました．すみません．
質問文で**説明変数が３次元**と書かれていたので，誤解しました．

[terurururu]

hayataka2049様。丁寧な回答をありがとうございます。非常に勉強になりました。

Answer 2

scikit-learnを使っている前提で答えますが，

X_train, X_test, Y_train, Y_test = train_test_split(data_set, data_ofj, test_size=0.3)
clf.fit(X_train, Y_train)
test_pre = clf.predict(X_test)

ではないでしょうか．

Comments

[terurururu]

回答ありがとうございます。確かにその通りかもしれません。また確認しておきます。
今回の質問と致しましては、fit関数で用いる説明関数の次元が３次元で可能か否か、といった点にありますのでもしもご存知でしたらご教授いただけますか。

[spoofy_dragon]

可能です

[spoofy_dragon]

↑の追記です．
下記の回答にもあるとおり，説明変数が多次元でもfitは適用できますが，len(X.shape) > 2では無理です．
説明関数という言葉を説明変数と置き換えて理解していますが，説明変数が3次元（ベクトル）ということと，説明変数そのものが多次元構造を持っていることは異なります．前者の場合ですとfit関数を使えますが後者の場合は質問者様が試したとおり，ベクトル表現に治す必要があります．

[terurururu]

丁寧な回答をありがとうございます。とても参考になりました。