使用支持向量机（SVM）的主要目的是让算法能够决定输入是真还是假等等。

我正在尝试使用SVM进行预测性维护，以预测系统过热的可能性。

在我的例子中，温度范围是0-102°C，如果温度达到80°C或以上，则被归类为故障。

我的输入是包含30个双精度浮点数的数组（最近30次读数）。

我在制作一些样本输入来训练SVM，我想知道是否应该传入非常具体的数据来进行训练 – 例如，传入80°C, 81°C … 102°C的数组，这样模型会自动将这些值与故障关联起来。你也可以传入30个79°C的数组，并设置为通过。

这种方法似乎是一种完整的做法，但如果输入这样的数组 – 这不就相当于硬编码一个开关语句，当温度读数为80->102°C时触发吗？

传入这些“硬编码”风格的数组是否是个好主意，还是我应该坚持使用更随机的输入？

回答：

如果可能性的集合是有限的，我强烈推荐使用朴素贝叶斯，因为这种方法非常适合这个问题。然而，如果你被迫使用SVM，我认为这会相当困难。首先，SVM的主要思想是用于分类，情景的数量并不重要。然而，输入通常很少是离散的，所以我认为通常有无限的情景。然而，通常实现的SVM只能给你一个分类，除非你有100个类，每个类代表1%的概率，否则这并不能真正解决问题。

结论是，这可能有效，但这不被认为是“最佳实践”。你可以想象你的30维向量空间被划分为100个小子空间，每个数据点，一个30×1的向量，是那个向量空间中的一个点，因此概率由它所在的100个子集中的哪一个决定。然而，拥有100个类，并且数据不干净或不足，会导致模型表现非常差，难以优化。

祝好 🙂