使用SVM的重点是算法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。
对于我的例子，范围是0-102°C，如果温度达到80°C或更高，则被归类为失败。
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的阵列中传递模型会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法，尽管如果你输入这样的数组 - 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。
传递这些“硬编码”样式数组或者我应该坚持使用更多随机输入是不是一个好主意？
答案 0 :(得分：1)
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解决这个问题。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“最佳做法”。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，表现不佳的模型。
干杯：）