การผสมข้อมูลอย่างต่อเนื่องและไบนารีกับ Linear SVM หรือไม่

ดังนั้นฉันจึงได้เล่นรอบกับ SVM และฉันสงสัยว่านี่เป็นสิ่งที่ดีที่จะทำ:

ฉันมีชุดคุณสมบัติแบบต่อเนื่อง (0 ถึง 1) และชุดคุณสมบัติแบบหมวดหมู่ที่ฉันแปลงเป็นตัวแปรจำลอง ในกรณีพิเศษนี้ฉันเข้ารหัสวันที่ของการวัดในตัวแปรจำลอง:

มี 3 ช่วงเวลาที่ฉันมีข้อมูลจากและฉันจองหมายเลขฟีเจอร์ 3 หมายเลขสำหรับพวกเขา:

20: 21: 22:

ดังนั้นขึ้นอยู่กับช่วงเวลาที่ข้อมูลมาคุณสมบัติที่แตกต่างจะได้รับ 1 กำหนด; คนอื่นจะได้รับ 0

SVM จะทำงานอย่างถูกต้องกับสิ่งนี้หรือสิ่งนี้เป็นสิ่งที่ไม่ดีที่ต้องทำหรือไม่?

ฉันใช้ SVMLight และเคอร์เนลเชิงเส้น

SVM จะจัดการกับทั้งไบนารีและตัวแปรต่อเนื่องตราบใดที่คุณทำการประมวลผลล่วงหน้า: คุณสมบัติทั้งหมดควรถูกปรับขนาดหรือทำให้เป็นมาตรฐาน หลังจากขั้นตอนนั้นจากมุมมองของอัลกอริธึมมันไม่สำคัญว่าฟีเจอร์จะต่อเนื่องหรือเป็นไบนารี่: สำหรับไบนารี่มันจะเห็นตัวอย่างที่อยู่ห่างออกไปหรือคล้ายกันมาก สำหรับต่อเนื่องนอกจากนี้ยังมีในระหว่างค่า เคอร์เนลไม่สำคัญกับชนิดของตัวแปร

ทำซ้ำคำตอบของฉันจากhttp://www.quora.com/Machine-Learning/What-are-good-ways-to-handle-discrete-and-continuous-inputs-together/answer/Arun-Iyer-1

• $[-1, 1]$$x = \frac{2x - \max - \min}{\max - \min}$
• $\mu$$\sigma$$x = \frac{x - \mu}{\sigma}$
• Binarize คุณสมบัติเด็ดขาด / ไม่ต่อเนื่อง:สำหรับคุณสมบัติเด็ดขาดทั้งหมดแสดงให้พวกเขาเป็นคุณสมบัติบูลีนหลาย ตัวอย่างเช่นแทนที่จะมีหนึ่งคุณลักษณะที่เรียกว่าการแต่งงาน _status มี 3 คุณลักษณะบูลีน - แต่งงานแล้ว _status_single, แต่งงาน _status_married, แต่งงาน _status_divorced และตั้งค่าคุณสมบัติเหล่านี้อย่างเหมาะสมให้เป็น 1 หรือ -1 อย่างที่คุณเห็นในทุก ๆ คุณลักษณะของหมวดหมู่คุณจะเพิ่มคุณสมบัติเลขฐานสอง k โดยที่ k คือจำนวนของค่าที่คุณสมบัติเชิงหมวดหมู่ใช้

$\mathbb{R}^n$

$\mathbb{R}^n$