Входные данные, которые я пытаюсь передать в мой классификатор MLP, поступают из данных за определенное время, и я структурировал их как трехмерный массив следующим образом:
[[Feature1, Feature2, Feature3, ...], [Feature1, Feature2, Feature3, ...],…] где Feature1 представляет собой массив значений (выборка, но поддерживает порядок), а первое измерение количество проходов (примеры для обучения) - то есть измерения - это [число проходов] [количество объектов] [подобный массиву образец значений для этого объекта].
Однако классификатор MLP поддерживает только массивы двух измерений или меньше. Есть ли способ реструктурировать эти данные, чтобы соответствовать этому требованию, или массив данных, основанных на времени, просто не является хорошим входом?
Конечная цель состоит в том, чтобы классифицировать проход как различные, различные типы аномалий.
Я попытался ввести только один объект, поэтому второе измерение - это размер выборки, но я бы хотел обучиться на нескольких входах объектов. Я также попытался усреднить значения в каждой функции, но это не фиксирует изменения во времени. Наконец, я попытался сплющить, но в идеале я хотел бы, чтобы он взвешивал важность каждой функции независимо от других.
Я относительно неопытен с классификатором MLP. Спасибо.