SVM (Support Vector Machine)에 대해 범주 형 데이터와 연속 형 데이터를 혼합해도 괜찮습니까?

나는 같은 데이터 세트를 가지고있다

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

LIBSVM 형식 벡터 공간에 포함시킵니다.

+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

기능 지수 :

• 1은 "소득"입니다
• 2는 "년"
• 3은 "사용 / 상업적 면제"입니다
• 4는 "사용 / CONDOMINIUM"입니다
• 5는 "사용 / 싱글 패밀리"
• 6은 "use / SHOP & HOUSE"입니다

이와 같은 연속 형 (연도, 수입) 데이터와 범주 형 (사용) 데이터를 혼합하여 SVM (support vector machine)을 훈련해도 괜찮습니까?

예! 그러나 어쩌면 당신이 의미하는 방식이 아닐 수도 있습니다. 내 연구에서 나는 종종 재귀 분할 과 같은 알고리즘을 사용하여 지속적으로 가치를 부여하는 기능에서 범주 기능을 만듭니다 . 필자는 보통이 접근 방식 을 지원 벡터 시스템 의 SVMLight 구현과 함께 사용하지만 LibSVM에서도 사용했습니다. 교육 및 분류 중에 분할 된 범주 형 피처를 피처 벡터의 특정 위치에 할당해야합니다. 그렇지 않으면 모델이 갑자기 종료됩니다.

편집 : 즉,이 작업을 수행하면 벡터의 처음 n 요소를 재귀 분할의 출력과 관련된 이진 값에 할당합니다. 이진 피쳐 모델링에서는 거대 벡터가 0과 1이므로 다른 피쳐가있는 위치를 명시 적으로 나타내지 않는 한 모든 것이 모델과 동일하게 보입니다. 대부분의 SVM 구현이 자체적 으로이 작업을 수행한다고 상상할 수 있지만 이는 아마도 매우 구체적 일 것입니다.하지만 직접 프로그래밍하고 싶다면 생각해야 할 수도 있습니다!