Krótka odpowiedź
Możesz wybrać, czego chcesz użyć, w zależności od celu i rodzaju posiadanych danych.
Jeśli masz problem z klasyfikacją, tj. Dyskretną etykietę do przewidzenia, możesz użyć C-classificationi nu-classification.
Jeśli masz problem z regresją, tj. Ciągłą liczbą do przewidzenia, możesz użyć eps-regressioni nu-regression.
Jeśli masz tylko jedną klasę danych, tj. Normalne zachowanie i chcesz wykryć wartości odstające. one-classification.
Detale
Klasyfikacja C i nu to klasyfikacja binarna. Powiedz, czy chcesz zbudować model klasyfikacji kota vs. psa w oparciu o cechy zwierząt, tj. Celem prognozy jest dyskretna zmienna / etykieta.
Szczegółowe informacje na temat różnicy między klasyfikacją C a klasyfikacją nu. Można znaleźć w FAQ z LIBSVM
P: Jaka jest różnica między nu-SVC a C-SVC?
Zasadniczo są one tym samym, ale mają różne parametry. Zakres C wynosi od zera do nieskończoności, ale nu zawsze wynosi między [0,1]. Przyjemną właściwością nu jest to, że jest on związany ze stosunkiem wektorów podporowych i stosunkiem błędu szkolenia.
Jedna klasyfikacja dotyczy „wykrywania wartości odstających”, w których masz tylko jedną klasę danych. Na przykład chcesz wykryć „nietypowe” zachowania konta jednego użytkownika. Ale nie masz „niezwykłego zachowania” do trenowania modelu. Ale tylko normalne zachowanie.
Regresja eps i regresja nu są stosowane w przypadku problemów z regresją, w których chcesz przewidzieć ciągłą liczbę, na przykład cenę mieszkań. Szczegółową różnicę można znaleźć tutaj: Różnica między ep-SVR i nu-SVR (i SVR metodą najmniejszych kwadratów)
