支持向量机模型应该有多具体？

Question

使用支持向量机的目的在于，该算法将能够判断输入是否正确，等等。

我试图使用支持向量机进行预测维护，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或以上，它被归类为失败。

我的输入是30个双倍的数组(最后30个读数)。

我正在做一些样本输入来训练支持向量机，我想知道传递非常具体的数据来训练它是否是一个好的实践--例如通过80°C，81°C . 102°C的数组，这样模型就会自动地将这些值与失败联系起来。你也可以做一个30x79°C的数组，并将其设置为通过。

这似乎是一种完整的方法，尽管如果输入像这样的数组，难道它不等同于硬编码开关语句，以便在温度为80->102°C时触发。

传递这些“硬编码”样式数组是个好主意，还是应该坚持使用更多的随机输入？

Answer 1

如果有一套有限的可能性，我真的建议使用Na，因为该方法将完全适合这个问题。但是，如果你被迫使用支持向量机，我会说这是相当困难的。首先，支持向量机的主要思想是将其用于分类，而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。然而，支持向量机通常只会给你一个分类，除非你有100类-- 1% --另一种-- 2% --这并不能真正解决问题。

结论是，这是可行的，但不会被视为“最佳做法”。你可以想象你的30维向量空间被划分成100个小的子空间，每一个数据点，一个30x1向量是那个向量空间中的一个点，所以概率取决于100个子集中的哪一个。然而，拥有100个类和不太干净或不充分的数据，将导致非常糟糕的，难以执行的模型。

干杯:)