支持向量机模型应该具体如何？

Posted 2021-04-18

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。

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。

在我的例子中，范围是0-102°C，如果温度达到80°C或更高，它被归类为失败。

我的输入是30个双打（最后30个读数）的数组。

我正在制作一些样本输入来训练SVM，我想知道传递非常具体的数据来训练它是否是一个好习惯 - 例如，在80°C，81°C ... 102°C的阵列中传递模型将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方式，尽管如果您输入这样的数组 - 它与硬编码一个switch语句在温度读数为80-> 102°C时触发不一样。

传入这些“硬编码”样式阵列或者我应该坚持使用更多随机输入是一个好主意吗？

答案

如果存在一组有限的可能性，我建议使用NaïveBayes，因为该方法可以完美地适应这个问题。但是，如果您被迫使用SVM，我会说这将是相当困难的。对于初学者来说，使用SVM的主要想法是将其用于分类，并且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情况。但是，正常实施的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，但不会被视为“最佳实践”。您可以想象您的30维向量空间被划分为100个小的子空间，每个数据点，30x1向量是该向量空间中的一个点，因此概率由其所在的100个子集中的哪一个决定。但是，有100个类和数据不是很干净或不够，会导致非常糟糕，表现难以媲美的模型。

干杯:)