Я работаю над проблемой classification, связанной с маркировкой ip/tcp packet, классы Best Effort и Non Best Effort;Я использую Python язык.Я выбрал следующие функции: протокол, длина пакета, номер порта, используемый для источника и назначения, IP-адрес от источника и назначения, флаг, а не фрагмент, и поле ECN, все, чтобы узнать возможную классификацию для DSCP field.
Моя идея состоит в том, чтобы применить уменьшение размерности, чтобы уменьшить пространство, в котором я работаю, и посмотреть, может ли это улучшить мои результаты (используя алгоритмы, такие как Random Forest, Naive Bayes, SVM).На данный момент я использовал только PCA, который создает новые оси, и по ним я могу видеть процент каждой переменной, рассматриваемой относительно начальной точки.
Однако я видел что-то, связанное с LDA, и этомаксимизирует дисперсию в соответствии с меткой, поэтому она составляет supervidsed learning, а PCA - unsupervised.
Наконец, что вы мне предлагаете, как я могу продолжить?Потому что я не знаю, когда мне нужно использовать PCA для улучшения результатов классификации и когда LDA.И если правильно их использовать.