使用SVM的全部目的是该算法将能够确定输入是真还是假等。
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。
在我的示例中，范围为0-102°C，如果温度达到80°C或更高，则归为故障。
我的输入是30个双精度数组（最后30个读数）。
我正在输入一些样本来训练SVM，但我想知道是否传递良好的数据来训练SVM是否是一种好习惯-例如，在80°C，81°C ... 102°C的数组中传递，以使模型会自动将这些值与失败相关联。您也可以做一个30 x 79°C的阵列并将其设置为通过。
这似乎是一种完整的方法，尽管如果您输入这样的数组-它将与硬编码switch语句以在温度读取80-> 102°C时触发的语句不同。
传递这些“硬编码”样式数组是一个好主意，还是我应该坚持使用更多随机输入？
最佳答案
如果存在有限的可能性，我真的建议您使用朴素贝叶斯，因为该方法将完全适合此问题。但是，如果您被迫使用SVM，那将是相当困难的。对于初学者来说，使用SVM的主要思想是将其用于分类，而方案的数量实际上并不重要。但是输入很少是离散的，因此我想通常会有无限的情况。但是，通常实现的SVM只会给您一个分类，除非您有100个类，一个为1％，另一个为2％，这并不能真正解决问题。
结论是这可能有效，但是不会被视为“最佳实践”。您可以想象将30维向量空间划分为100个小子空间，每个数据点30x1向量是该向量空间中的一个点，因此概率由其100个子集中的哪一个决定。但是，具有100个类别和不太干净或数据不足，将导致非常糟糕的性能模型。
干杯:)