Sono nuovo per supportare le macchine vettoriali.
La svmfunzione dal e1071pacchetto in R offre varie opzioni:
Quali sono le differenze intuitive tra i cinque tipi? Quale dovrebbe essere applicato in quale situazione?
Risposte:
Risposta breve
Puoi selezionare cosa usare in base al tuo obiettivo e che tipo di dati hai.
Se hai un problema di classificazione, vale a dire un'etichetta discreta da prevedere, puoi usare C-classificatione nu-classification.
Se hai un problema di regressione, cioè un numero continuo da prevedere, puoi usare eps-regressione nu-regression.
Se hai solo una classe di dati, ovvero un comportamento normale e desideri rilevare valori anomali. one-classification.
Dettagli
La classificazione C e la classificazione nu sono per l'uso della classificazione binaria. Di 'se vuoi costruire un modello per classificare il gatto contro il cane in base alle caratteristiche per gli animali, vale a dire, l'obiettivo di previsione è una variabile / etichetta discreta.
Per dettagli sulla differenza tra classificazione C e classificazione nu. Puoi trovare le FAQ da LIBSVM
D: Qual è la differenza tra nu-SVC e C-SVC?
Fondamentalmente sono la stessa cosa ma con parametri diversi. L'intervallo di C va da zero a infinito ma nu è sempre tra [0,1]. Una bella proprietà di nu è che è correlata al rapporto tra vettori di supporto e al rapporto dell'errore di addestramento.
Una classificazione è per il "rilevamento anomalo", in cui hai solo una classe di dati. Ad esempio, si desidera rilevare comportamenti "insoliti" dell'account di un utente. Ma non hai "comportamenti insoliti" per addestrare il modello. Ma solo il comportamento normale.
eps-regression e nu-regression sono utilizzati per problemi di regressione, in cui si desidera prevedere un numero continuo, ad esempio il prezzo delle abitazioni. La differenza dettagliata può essere trovata qui: Differenza tra ep-SVR e nu-SVR (e SVR minimi quadrati)