支持向量机模型应该有多具体？
How specific should a Support Vector Machine Model be?
使用 SVM 的全部意义在于算法将能够决定输入是真还是假等等。
我正在尝试使用 SVM 进行预测性维护以预测系统过热的可能性。
对于我的示例，范围是 0-102°C，如果温度达到 80°C 或更高，则归类为故障。
我的输入是 30 个双精度数组（最后 30 个读数）。
我正在制作一些样本输入来训练 SVM，我想知道传入非常具体的数据来训练它是否是一种好的做法 - 例如传入数组 80°C、81°C ... 102° C 以便模型自动将这些值与失败相关联。你也可以做一个 30 x 79°C 的数组并将其设置为通过。
这似乎是一种完整的实现方式，尽管如果您输入这样的数组 - 它是否与硬编码 switch 语句以在温度读数为 80->102°C 时触发不同。
传入这些 "hardcoded" 样式数组是个好主意还是我应该坚持使用更多随机输入？
如果存在有限的可能性，我真的会推荐使用朴素贝叶斯，因为该方法可以完美地解决这个问题。但是，如果您被迫使用 SVM，我会说那会相当困难。对于初学者来说，SVM 的主要思想是将其用于分类，场景的数量并不重要。然而，输入很少是离散的，所以我猜通常会有无限的场景。但是，正常实现的 SVM 只会给你一个分类，除非你有 100 个 类 一个 1% 另一个 2%，这不会真正解决问题。
结论是这可行，但不会考虑 "best practice"。你可以想象你的 30 维向量 space 分成 100 个小子 spaces，每个数据点，一个 30x1 向量是该向量 space 中的一个点，所以概率由哪个决定100 个子集中的一个。但是，有 100 个 类 并且数据不是很干净或不足，将导致非常糟糕、性能不佳的模型。
干杯:)
使用 SVM 的全部意义在于算法将能够决定输入是真还是假等等。
我正在尝试使用 SVM 进行预测性维护以预测系统过热的可能性。
对于我的示例，范围是 0-102°C，如果温度达到 80°C 或更高，则归类为故障。
我的输入是 30 个双精度数组（最后 30 个读数）。
我正在制作一些样本输入来训练 SVM，我想知道传入非常具体的数据来训练它是否是一种好的做法 - 例如传入数组 80°C、81°C ... 102° C 以便模型自动将这些值与失败相关联。你也可以做一个 30 x 79°C 的数组并将其设置为通过。
这似乎是一种完整的实现方式，尽管如果您输入这样的数组 - 它是否与硬编码 switch 语句以在温度读数为 80->102°C 时触发不同。
传入这些 "hardcoded" 样式数组是个好主意还是我应该坚持使用更多随机输入？
如果存在有限的可能性，我真的会推荐使用朴素贝叶斯，因为该方法可以完美地解决这个问题。但是，如果您被迫使用 SVM，我会说那会相当困难。对于初学者来说，SVM 的主要思想是将其用于分类，场景的数量并不重要。然而，输入很少是离散的，所以我猜通常会有无限的场景。但是，正常实现的 SVM 只会给你一个分类，除非你有 100 个 类 一个 1% 另一个 2%，这不会真正解决问题。
结论是这可行，但不会考虑 "best practice"。你可以想象你的 30 维向量 space 分成 100 个小子 spaces，每个数据点，一个 30x1 向量是该向量 space 中的一个点，所以概率由哪个决定100 个子集中的一个。但是，有 100 个 类 并且数据不是很干净或不足，将导致非常糟糕、性能不佳的模型。
干杯:)