Mencampur data biner dan kontinu dengan linear SVM?

Jadi saya sudah bermain-main dengan SVM dan saya ingin tahu apakah ini hal yang baik untuk dilakukan:

Saya memiliki serangkaian fitur berkelanjutan (0 hingga 1) dan serangkaian fitur kategorikal yang saya konversi ke variabel dummy. Dalam kasus khusus ini, saya menyandikan tanggal pengukuran dalam variabel dummy:

Ada 3 periode tempat saya mendapatkan data dan saya mencadangkan 3 nomor fitur untuk mereka:

20:21: 22:

Jadi tergantung pada periode mana data berasal, fitur yang berbeda akan mendapatkan 1 ditugaskan; yang lain akan mendapat 0.

Apakah SVM bekerja dengan baik dengan ini atau ini adalah hal yang buruk untuk dilakukan?

Saya menggunakan SVMLight dan kernel linear.

SVM akan menangani variabel biner dan kontinu selama Anda membuat beberapa preprocessing: semua fitur harus diskalakan atau dinormalisasi. Setelah langkah itu, dari perspektif algoritme, tidak masalah jika fitur bersifat kontinu atau biner: untuk biner, ia melihat sampel yang "jauh", atau sangat mirip; untuk kontinu ada juga di antara nilai-nilai. Kernel tidak masalah sehubungan dengan jenis variabel.

Meniru jawaban saya dari http://www.quora.com/Machine-Learning/What-are-good-ways-to-handle-discrete-and-continuous-inputs-together/answer/Arun-Iyer-1

• Fitur kontinu terbatas berskala kembali: Semua input kontinu yang dibatasi, skala ulang ke hingga x = 2 x - maks - $[-1, 1]$ .$x = \frac{2x - \max - \min}{\max - \min}$
• Standarisasi semua fitur kontinu: Semua input kontinu harus distandarisasi dan maksud saya ini, untuk setiap fitur kontinu, hitung rata-rata ( ) dan standar deviasi ( σ ) dan lakukan x = x - $\mu$$\sigma$ .$x = \frac{x - \mu}{\sigma}$
• Binarize fitur kategoris / diskrit: Untuk semua fitur kategorikal, gambarkan sebagai beberapa fitur boolean. Sebagai contoh, alih-alih memiliki satu fitur yang disebut Marriage_status, miliki 3 fitur boolean - menikah_status_single, menikah_status_married, menikah_status_divorced dan secara tepat mengatur fitur ini ke 1 atau -1. Seperti yang Anda lihat, untuk setiap fitur kategorikal, Anda menambahkan fitur k binary di mana k adalah jumlah nilai yang diambil oleh fitur kategoris.

Sekarang, Anda dapat mewakili semua fitur dalam satu vektor yang dapat kita asumsikan tertanam dalam dan mulai menggunakan paket yang tidak tersedia untuk klasifikasi / regresi dll.$\mathbb{R}^n$

$\mathbb{R}^n$