可以为SVM（支持向量机）混合分类数据和连续数据吗？

我有一个像

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

我将其嵌入到LIBSVM格式向量空间中

+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

功能指标：

• 1是“收入”
• 2是“年”
• 3是“使用/商业示例”
• 4是“使用/公寓”
• 5是“使用/单身家庭”
• 6是“使用/商店和房子”

可以训练像这样的连续（年，收入）和分类（使用）数据混合的支持向量机（SVM）吗？

是! 但也许不是您的意思。在我的研究中，我经常使用递归分区之类的算法从连续值特征中创建分类特征。我通常将这种方法与支持向量机的SVMLight实现一起使用，但我也将其与LibSVM一起使用。您需要确保在训练和分类期间将分区的分类特征分配到特征向量中的特定位置，否则模型将变得笨拙。

编辑：也就是说，完成此操作后，我将向量的前n个元素分配给与递归分区的输出关联的二进制值。在二元特征建模中，您只有0和1的巨大向量，因此对于模型而言，一切看起来都是相同的，除非您明确指出不同特征的位置。这可能是过于具体的，因为我想大多数SVM实现都将自己执行此操作，但是，如果您想自己编程，则可能需要考虑一下！