machine-learning - 使用特征作为输入与使用它在 SVM 上构建多台机器

Question

我正在使用 SVM 来预测公交车到其路线上的公交车站的到达时间。在进行了大量研究并阅读了一些论文之后，我仍然对如何建模我的系统有一个关键疑问。

我们已经决定使用哪些特征，并且正在收集执行回归所需的数据，但令我们困惑的是使用某些特征作为 SVM 的输入或构建单独的机器的含义或后果基于其中一些功能。

例如，在这个 paper 中作者构建了 4 个 SVM 来预测公交车到达时间:一个用于晴天高峰时间、雨天高峰时间、晴天非高峰时间，最后一个用于非高峰时间和雨天。

但是在following paper上在同一主题上，他们决定使用单个 SVM，以天气状况和高峰/非高峰时间作为输入，而不是像以前那样将其分解为 4 个 SVM。

何时选择这些方法之一？

Answer 1

最重要的问题:数据是什么样的？ 第二个问题:您希望用什么模型来捕捉这个？

因此，如果您出于某种原因想要使用 SVM，请记住它们的基 native 制是线性的，并且只有在数据经过合适的内核转换后才能捕获非线性现象。

对于手头的特定问题，这意味着:

1. 您是否有理由(情节、对问题性质的见解)相信您的问题是线性的(可分离的)？只需使用一个线性支持向量机即可。
2. 您是否认为您的问题由多个线性子问题组成？对每个子问题使用线性支持向量机。
3. 您的数据似乎是非线性分组的吗？尝试使用诸如 rbf 内核之类的 svm。

当然，您可以直接插入并尝试，但检查以上内容可能会增加对问题的理解。