Dati mancanti e SVMHo iniziato a utilizzare la piattaforma Support Vector Machines ma sembra che manchino previsioni per le osservazioni che mancano di un fattore continuo.Non vi è alcuna impostazione informativa mancante per SVM, ma la formula di previsione mostra che i dati nominali mancanti vengono utilizzati nella formula.Tuttavia, quando manca un fattore continuo, la previsione è mancante (e la formula di previsione non ha alcun termine relativo al fattore continuo mancante come fa per i fattori nominali mancanti).C'è un motivo per cui SVM non può gestire i fattori continui mancanti ma è in grado di utilizzare i fattori nominali mancanti?
AnalyticsRi: dati mancanti e SVMSospetto che il valore fornito con la formula di previsione dalla nuova piattaforma SVM con un input categorico mancante non sia corretto e non dovrebbe essere visualizzato. Se è necessario gestire i dati mancanti, suggerisco di utilizzare una piattaforma diversa (ad esempio, Esplora valori mancanti nel menu Analizza> Screening) per assegnare prima quei valori, quindi passare a SVM.
Almeno nei miei casi di test, quando si salva una formula di previsione con un input mancante, tutte le colonne intermedie risultano mancanti e la formula finale è solo il primo risultato possibile. Quando salvi solo Predicteds, quelle righe risultano mancanti come previsto.
Ri: dati mancanti e SVMSVM non fornisce previsioni se manca un fattore X, sia categoriale che continuo.
SVM richiede che i dati siano centrati e ridimensionati per fattori continui, quindi se manca il fattore continuo, manca (: X-mean) / stddev nella formula. Per i fattori categoriali, viene creata la "matrice di progettazione" per quel fattore. Se manca il livello del fattore, la matrice di progettazione viene creata come mancante, ovvero [. .] per un fattore categoriale a due livelli.
Se una qualsiasi delle X centrali / in scala o X della matrice di disegno ha valori mancanti, manca il valore previsto finale.
Ri: dati mancanti e SVMGrazie. la documentazione dovrebbe probabilmente riflettere che SVM non può gestire i valori mancanti (senza una pre-elaborazione manuale). Inoltre, SVM è stato molto lento dalla mia esperienza e anche non particolarmente accurato (rispetto ad altri modelli di previsione). Mi interesserebbe sapere se questo è stato vero anche per altre persone.
