所以我想确保我的权利是正确的。首先，我是一名计算机工程专业的本科生，拥有比软件更多的硬件/EE 经验。今年夏天，我发现自己正在使用一种使用一类 SVM 的聚类算法。 SVM 只是一个用于分类/分离输入数据的数学模型吗？ SVM 在具有一个属性/变量的数据集上运行良好吗？我猜不会是后者，可能是因为使用单个属性进行分类实际上是刻板印象。我的猜测是，SVM 在具有多个属性/变量有助于分类的数据集上表现更好。提前致谢!
最佳答案
SVM 尝试构建分离 2 个类的超平面(据我所知，在一类 SVM 中，一类用于“正常”实例，一类用于“异常”实例)。只有一个属性，您就拥有一维空间，即线。因此，这里的超平面是线上的一个点。如果 2 个类的实例(这条线上的点)可以被这个超平面点分开(即它们是线性可分离的)，那么可以使用 SVM。否则不会。
请注意，对于几个属性，SVM 仍然可以用于对线性不可分离的实例进行分类。在下一张图像上，二维空间中有 2 个类(2 个属性 - X 和 Y)，一个用蓝点标记，另一个用绿色点标记。
你无法画出将它们分开的线。不过，所谓的kernel trick可以通过组合现有属性来产生更多属性。有了更多的属性，您可以获得更高维度的空间，其中所有实例都可以被分离( video )。不幸的是，一个属性不能与其自身组合，因此对于一维空间核技巧不适用。
所以，你的问题的答案是:当且仅当两个类的实例本身可线性分离时，SVM 才可以用于仅具有一个属性的集合。
关于machine-learning - 一类支持向量机，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/6866552/