Kurze Antwort
Sie können auswählen, was basierend auf Ihrem Ziel verwendet werden soll und welche Art von Daten Sie haben.
Wenn Sie ein Klassifizierungsproblem haben, dh eine zu prognostizierende diskrete Bezeichnung, können Sie C-classificationund verwenden nu-classification.
Wenn Sie ein Regressionsproblem haben, dh eine fortlaufende Zahl, die vorhergesagt werden muss, können Sie eps-regressionund verwenden nu-regression.
Wenn Sie nur eine Klasse der Daten haben, dh normales Verhalten, und Ausreißer erkennen möchten. one-classification.
Einzelheiten
Die C-Klassifizierung und Nu-Klassifizierung dient zur Verwendung der binären Klassifizierung. Angenommen, Sie möchten ein Modell zur Klassifizierung von Katze und Hund anhand von Merkmalen für Tiere erstellen, dh das Vorhersageziel ist eine diskrete Variable / Bezeichnung.
Einzelheiten zum Unterschied zwischen C-Klassifizierung und Nu-Klassifizierung. Sie finden in den FAQ von LIBSVM
F: Was ist der Unterschied zwischen nu-SVC und C-SVC?
Im Grunde sind sie dasselbe, aber mit unterschiedlichen Parametern. Der Bereich von C reicht von Null bis unendlich, aber nu liegt immer zwischen [0,1]. Eine schöne Eigenschaft von nu ist, dass es mit dem Verhältnis der Unterstützungsvektoren und dem Verhältnis des Trainingsfehlers zusammenhängt.
Eine Klassifizierung dient zur "Ausreißererkennung", bei der Sie nur Daten einer Klasse haben. Sie möchten beispielsweise "ungewöhnliche" Verhaltensweisen des Kontos eines Benutzers erkennen. Sie haben jedoch kein "ungewöhnliches Verhalten", um das Modell zu trainieren. Aber nur das normale Verhalten.
eps-Regression und nu-Regression werden für Regressionsprobleme verwendet, bei denen Sie eine kontinuierliche Zahl vorhersagen möchten, beispielsweise den Immobilienpreis. Detaillierte Unterschiede finden Sie hier: Unterschied zwischen ep-SVR und nu-SVR (und SVR der kleinsten Quadrate)
