Trộn dữ liệu liên tục và nhị phân với SVM tuyến tính?

Vì vậy, tôi đã chơi xung quanh với các SVM và tôi tự hỏi liệu đây có phải là một điều tốt để làm không:

Tôi có một bộ các tính năng liên tục (0 đến 1) và một bộ các tính năng phân loại mà tôi đã chuyển đổi thành các biến giả. Trong trường hợp cụ thể này, tôi mã hóa ngày của phép đo trong một biến giả:

Có 3 giai đoạn tôi có dữ liệu và tôi dành 3 số tính năng cho chúng:

20: 21: 22:

Vì vậy, tùy thuộc vào thời gian dữ liệu đến từ đâu, các tính năng khác nhau sẽ được gán 1; những người khác sẽ nhận được 0.

SVM sẽ hoạt động đúng với điều này hay đây là một điều xấu phải làm?

Tôi sử dụng SVMLight và một kernel tuyến tính.

Các SVM sẽ xử lý cả biến nhị phân và biến liên tục miễn là bạn thực hiện một số tiền xử lý: tất cả các tính năng nên được thu nhỏ hoặc chuẩn hóa. Sau bước đó, từ quan điểm của các thuật toán, không có vấn đề gì nếu các tính năng là liên tục hoặc nhị phân: đối với các nhị phân, nó thấy các mẫu "ở xa" hoặc rất giống nhau; cho liên tục cũng có giữa các giá trị. Kernel không quan trọng đối với loại biến.

Sao chép câu trả lời của tôi từ http://www.quora.com/Machine-Learning/What-are-good-ways-to-handle-discittle-and-continupt-inputs-together RUB/Arun-Iyer-1

• Rescale tính năng liên tục giới hạn: Tất cả các đầu vào liên tục được giới hạn, bán lại chúng thành thông qua x = 2 x - max - $[-1, 1]$$x = \frac{2x - \max - \min}{\max - \min}$ .
• Chuẩn hóa tất cả các tính năng liên tục: Tất cả đầu vào liên tục nên được chuẩn hóa và bởi tôi này có nghĩa là, đối với mọi tính năng liên tục, tính trung bình của nó ( ) và độ lệch chuẩn ( σ ) và làm x = x $\mu$$\sigma$$x = \frac{x - \mu}{\sigma}$ .
• Binarize tính năng phân loại / rời rạc: Đối với tất cả các tính năng phân loại, đại diện cho chúng dưới dạng nhiều tính năng boolean. Ví dụ: thay vì có một tính năng được gọi là kết hôn_status, có 3 tính năng boolean - kết hôn_status_single, kết hôn_status_married, kết hôn_status_divorced và đặt một cách thích hợp các tính năng này thành 1 hoặc -1. Như bạn có thể thấy, với mỗi tính năng phân loại, bạn đang thêm tính năng nhị phân k trong đó k là số lượng giá trị mà tính năng phân loại lấy.

$\mathbb{R}^n$

$\mathbb{R}^n$