Est-il possible d'utiliser libsvm pour les problèmes de régression multilabel

Question

J'ai un scénario où je dois prédire les coordonnées sphériques (r, thêta, phi) en fonction des valeurs de 6 attributs. J'utilise Libsvm avec l'option de régression. Si je prédis individuellement des étiquettes en fonction de l'instance d'objet, cela n'a pas de sens. Aussi, si je combine des étiquettes et assigner une étiquette spécifique pour chaque r, thêta, phi, ce n'est pas significatif et SVM ne converge pas dans la prédiction. Je veux que SVM analyse la combinaison de trois coordonnées et crée en conséquence un modèle de formation. C'est possible? S'il vous plaît donnez votre avis.

Answer 1

Pas vraiment: SVM est un algorithme de classification, pas un algorithme de prédiction. En ce qui concerne SVM, une étiquette de (0, 0, 1) est aussi distincte de (0, 0, 2) que de (20, 3, -1): "pas la même chose". Si vous avez un problème de régression, utilisez un modèle de régression: faites un peu de recherche pour en trouver une qui corresponde à toutes les caractéristiques de vos ensembles de données.

---

MISE À JOUR PAR OP COMMENTAIRE

D'après ce que peu que vous avez dit, il me semble que si vous voulez une régression à plusieurs variables, avec une seule fonction de perte qui décrit l'écart par rapport à la sortie désirée tripler. Vous avez raison de dire que trois régressions séparées ne fonctionneront pas pour ce scénario: la position dans l'espace dépend d'une combinaison non linéaire des trois sorties.

Je suggère que vous fassiez de votre fonction de perte une fonction de distance utile entre les positions vraies et prédites. Vous devrez expérimenter avec les caractéristiques de votre modèle, en utilisant des termes linéaires, au carré et d'autres termes pour chacune des six entrées. Je ne peux rien suggérer, car vous n'avez pas décrit adéquatement le problème.