Fehlende Daten und SVMIch habe begonnen, die Support Vector Machines-Plattform zu verwenden, aber es scheint, dass Vorhersagen für Beobachtungen fehlen, bei denen ein kontinuierlicher Faktor fehlt.Es gibt keine informative fehlende Einstellung für SVM, aber die Vorhersageformel zeigt, dass fehlende Nenndaten in der Formel verwendet werden.Wenn jedoch ein kontinuierlicher Faktor fehlt, fehlt die Vorhersage (und die Vorhersageformel enthält keinen Begriff, der sich mit dem fehlenden kontinuierlichen Faktor befasst, wie dies bei fehlenden nominalen Faktoren der Fall ist).Gibt es einen Grund, warum SVM fehlende kontinuierliche Faktoren nicht verarbeiten kann, aber fehlende nominale Faktoren verwenden kann?
AnalytikBetreff: Fehlende Daten und SVMIch vermute, dass der mit der Vorhersageformel aus der neuen SVM-Plattform mit einer fehlenden kategorialen Eingabe angegebene Wert falsch ist und nicht angezeigt werden sollte. Wenn Sie mit fehlenden Daten umgehen müssen, schlage ich vor, eine andere Plattform zu verwenden (z. B. Fehlende Werte im Menü Analysieren> Screening untersuchen), um diese Werte zuerst zu unterstellen und dann zu SVM zu wechseln.
Zumindest in meinen Testfällen werden beim Speichern einer Vorhersageformel mit fehlender Eingabe alle Zwischenspalten als fehlend zurückgegeben, und die endgültige Formel ist nur das erste mögliche Ergebnis. Wenn Sie nur Prognosen speichern, fehlen diese Zeilen wie erwartet.
Betreff: Fehlende Daten und SVMSVM liefert keine Vorhersagen, wenn ein X-Faktor fehlt - ob kategorisch oder kontinuierlich.
SVM erfordert, dass die Daten für kontinuierliche Faktoren zentriert und skaliert werden. Wenn also der kontinuierliche Faktor fehlt, fehlt der (: X-Mittelwert) / stddev in der Formel. Für kategoriale Faktoren wird die "Entwurfsmatrix" für diesen Faktor erstellt. Wenn die Faktorebene fehlt, wird die Entwurfsmatrix als fehlend erstellt, dh [. .] für einen zweistufigen kategorialen Faktor.
Wenn eines der zentralen / skalierten X oder die Entwurfsmatrix X fehlende Werte aufweist, fehlt der endgültige vorhergesagte Wert.
Betreff: Fehlende Daten und SVMDanke. Die Dokumentation sollte wahrscheinlich widerspiegeln, dass SVM fehlende Werte nicht verarbeiten kann (ohne manuelle Vorverarbeitung). Außerdem war SVM meiner Erfahrung nach sehr langsam und auch nicht besonders genau (im Vergleich zu anderen Vorhersagemodellen). Es würde mich interessieren zu hören, ob dies auch für andere Menschen gilt.
