Допустим, у меня есть набор данных D, который можно описать как вектор признаков V. После некоторого анализа я понимаю, что выборки в этом наборе данных объединены в 3 различных набора объектов.Я могу создать 3 вектора признаков V1, V2, V3, которые (почти) являются подмножествами V, но они более точно описывают D. Другими словами, D можно разделить на D1, D2, D3 - каждый из этих наборов данных.может быть очень хорошо выражено V1, V2, V3.
Мой вопрос: является ли это обычным / приемлемым подходом, в котором я бы использовал 3 вектора функций для обучения D1, D2, D3, а затем создал 3 классификатора вместо использования только 1 векторного признака V для создания только 1 классификатора?
Тип "конвергенции" также распространен и для выборок из моего набора данных, поэтому я хочу использовать несколько классификаторовобобщать их.
Спасибо!