SVM (Destek Vektör Makineleri) için kategorik ve sürekli verileri karıştırmak uygun mudur?

Benim gibi bir veri setim var

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

Bunu bir LIBSVM formatı vektör alanına gömdüm

+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

Özellik endeksleri:

• 1 "gelir" dir
• 2 "yıl" dır
• 3 "kullanım / TİCARİ MUAFİYET" tir
• 4 "kullan / CONDOMINIUM" dur
• 5 "kullan / TEK AİLE" dir
• 6 "kullanım / MAĞAZA & EV"

Bunun gibi sürekli (yıl, gelir) ve kategorik (kullanım) verilerden oluşan bir destek vektör makinesi (SVM) eğitmek uygun mudur?

Evet! Ama belki demek istediğin şekilde değil. Araştırmamda sürekli olarak değerli olanlardan özyinelemeli bölümleme gibi bir algoritma kullanarak kategorik özellikler oluşturuyorum . Bu yaklaşımı genellikle destek vektör makinelerinin SVMLight uygulamasıyla kullanıyorum, ancak LibSVM ile de kullandım. Bölümlenmiş kategorik özelliklerinizi eğitim ve sınıflandırma sırasında özellik vektörünüzdeki belirli bir yere atadığınızdan emin olmanız gerekir, aksi takdirde modeliniz son olarak sona erer.

Düzenleme: Yani, bunu yaptığımda, özyinelemeli bölümleme çıkışı ile ilişkili ikili değerlere vektörün ilk n öğelerini atar. İkili özellik modellemesinde, 0 ve 1'lerden oluşan dev bir vektörünüz vardır, bu nedenle farklı özelliklerin nerede olduğunu açıkça belirtmediğiniz sürece her şey modele aynı görünür. Çoğu SVM uygulamasının bunu kendi başlarına yapacağını hayal ettiğimden, bu muhtemelen aşırı derecede spesifiktir, ancak, kendiniz programlamak isterseniz, düşünülmesi gereken bir şey olabilir!