私は学部生で、卒業論文では、SVM を使用してバスのルート上のバス停への到着時刻を予測しています。多くの調査を行い、いくつかの論文を読んだ後でも、システムをモデル化する方法について大きな疑問を抱いています。
使用する機能を決定し、回帰を実行するために必要なデータを収集している最中ですが、混乱しているのは、一部の機能を SVM の入力として使用したり、一部の機能に基づいて別のマシンを構築したりすることの意味または結果です。これらの機能の。
たとえば、この論文では、著者はバスの到着時刻を予測するために 4 つの SVM を作成しました。 .
しかし、同じ主題に関する次の論文では、以前のように 4 つの SVM に分割するのではなく、気象条件とラッシュ/オフラッシュ時間を入力として 1 つの SVM を使用することにしました。
これは経験に基づくものだと思うので、これらのアプローチのいずれかをいつ選択するかについて誰か情報を持っている場合は、皆さんからの連絡をお待ちしています.
前もって感謝します。
最も重要な質問: データはどのようなものですか? 2 番目の質問: これをキャプチャするモデルは何ですか?
したがって、何らかの理由で SVM を使用する場合は、その基本的なメカニズムが線形であり、データが適切なカーネルによって変換された場合にのみ非線形現象を捉えることができることに注意してください。
手元にある特定の問題については、次のことを意味します。
もちろん、プラグインして試すこともできますが、上記を確認することで問題の理解が深まる可能性があります。
他に方法はありません。自分で見つけなければなりません。これが、この論文を書かなければならない理由です。完璧なソリューションから始める人はいません。誰でも間違いはある。あなたの問題は簡単ではなく、似たようなことをしたことがない場合、何がうまくいくかを言うことはできません. 文献で見つけたすべてを試し、結果を比較し、独自のアイデアを開発してください...
あなたの特定の問題では、私は単一のSVMに行きます。
私のあまり豊富な経験ではありませんが、次の理由により、いくつかの SVM で問題を解決することを検討します: 1) クラスが違いすぎるか、問題にクラスとサブクラスが含まれています。たとえば、私の場合: 顕微鏡画像にはいくつかの種類の抗体があり、それらはすべて陽性または陰性である可能性があります。したがって、A_Pos、A_Neg、B_Pos、B_Neg などを定義する代わりに、最初に画像が正か負かを判断し、2 番目の SVM でタイプを判断します。
2) 特徴抽出のコストが高すぎる。クラスのグループがあり、フィーバー機能で識別される場合があります。単一のマシンのすべての機能を抽出する代わりに、最初に小さなサブセットのみを抽出し、必要に応じて (十分な確率で結果が得られない場合) さらなる機能を抽出することができます。
3)インスタンスが問題に属しているかどうかを判断します。1 つのクラスとトレーニング セットのすべてのインスタンスを含むモデルを作成します。分類されるインスタンスが外れ値である場合は、停止します。それ以外の場合は、すべてのクラスを含む 2 番目の SVM で分類します。
キーワードは「カスケードSVM」