ตกลงเพื่อผสมข้อมูลเด็ดขาดและต่อเนื่องสำหรับ SVM (รองรับ Vector Machines) หรือไม่

ฉันมีชุดข้อมูลเช่น

+--------+------+-------------------+
| income | year |        use        |
+--------+------+-------------------+
|  46328 | 1989 | COMMERCIAL EXEMPT |
|  75469 | 1998 | CONDOMINIUM       |
|  49250 | 1950 | SINGLE FAMILY     |
|  82354 | 2001 | SINGLE FAMILY     |
|  88281 | 1985 | SHOP & HOUSE      |
+--------+------+-------------------+

ฉันฝังลงในพื้นที่เวกเตอร์รูปแบบ LIBSVM

+1 1:46328 2:1989 3:1
-1 1:75469 2:1998 4:1
+1 1:49250 2:1950 5:1
-1 1:82354 2:2001 5:1
+1 1:88281 2:1985 6:1

ดัชนีคุณสมบัติ:

• 1 คือ "รายได้"
• 2 คือ "ปี"
• 3 คือ "ใช้ / ยกเว้นเชิงพาณิชย์"
• 4 คือ "การใช้งาน / คอนโดมิเนียม"
• 5 คือ "การใช้งาน / ครอบครัวเดี่ยว"
• 6 คือ "ใช้ / ซื้อ & บ้าน"

ตกลงหรือไม่ที่จะฝึกอบรมเครื่องเวกเตอร์สนับสนุน (SVM) ด้วยการผสมผสานของข้อมูลอย่างต่อเนื่อง (ปีรายได้) และหมวดหมู่ (ใช้) เช่นนี้

ใช่ แต่อาจไม่ใช่ในแบบที่คุณหมายถึง ในการวิจัยของฉันฉันมักสร้างคุณลักษณะเด็ดขาดจากคนอย่างต่อเนื่องมูลค่าโดยใช้วิธีเช่นการแบ่ง recursive ฉันมักจะใช้วิธีนี้กับการใช้งานSVMLightของเครื่องเวกเตอร์สนับสนุน แต่ฉันก็ใช้กับ LibSVM เช่นกัน คุณจะต้องตรวจสอบให้แน่ใจว่าคุณได้กำหนดคุณสมบัติเด็ดขาดของพาร์ติชันให้กับสถานที่เฉพาะในเวกเตอร์ฟีเจอร์ของคุณในระหว่างการฝึกอบรมและการจัดหมวดหมู่มิฉะนั้นโมเดลของคุณจะจบลงด้วยความสับสน

แก้ไข:กล่าวคือเมื่อฉันทำสิ่งนี้ฉันกำหนดองค์ประกอบแรกของเวกเตอร์ให้กับค่าไบนารีที่เกี่ยวข้องกับผลลัพธ์ของการแบ่งพาร์ทิชันแบบเรียกซ้ำ ในการสร้างแบบจำลองคุณลักษณะไบนารีคุณมีเวกเตอร์ขนาดยักษ์ที่ 0 และ 1 ดังนั้นทุกอย่างจะดูเหมือนกับโมเดลเว้นแต่ว่าคุณจะระบุสถานที่ที่แตกต่างกันอย่างชัดเจน นี่อาจเป็นเรื่องที่เฉพาะเจาะจงมากเกินไปเพราะฉันคิดว่าการใช้งาน SVM ส่วนใหญ่จะทำสิ่งนี้ด้วยตัวเอง แต่ถ้าคุณต้องการตั้งโปรแกรมของคุณเองมันอาจเป็นสิ่งที่คุณคิด!