Réponse courte
Vous pouvez sélectionner les éléments à utiliser en fonction de votre objectif et du type de données dont vous disposez.
Si vous avez un problème de classification, c'est-à-dire une étiquette discrète à prévoir, vous pouvez utiliser C-classificationet nu-classification.
Si vous avez un problème de régression, c'est-à-dire un nombre continu à prévoir, vous pouvez utiliser eps-regressionet nu-regression.
Si vous n'avez qu'une seule classe de données, c'est-à-dire un comportement normal, et que vous souhaitez détecter les valeurs aberrantes. one-classification.
Détails
La classification C et la classification nu sont destinées à l'utilisation de la classification binaire. Dites si vous voulez construire un modèle pour classer chat vs chien en fonction des caractéristiques des animaux, c'est-à-dire que la cible de prédiction est une variable / étiquette discrète.
Pour plus de détails sur la différence entre la classification C et la classification nu. Vous pouvez trouver dans la FAQ de LIBSVM
Q: Quelle est la différence entre nu-SVC et C-SVC?
Fondamentalement, c'est la même chose mais avec des paramètres différents. La plage de C va de zéro à l'infini mais nu est toujours compris entre [0,1]. Une belle propriété de nu est qu'elle est liée au rapport des vecteurs de support et au rapport de l'erreur d'apprentissage.
Une classification est pour la "détection des valeurs aberrantes", où vous ne disposez que d'une seule donnée de classe. Par exemple, vous souhaitez détecter les comportements "inhabituels" du compte d'un utilisateur. Mais vous n'avez pas de "comportement inhabituel" pour entraîner le modèle. Mais seulement le comportement normal.
la régression eps et la régression nu sont utilisées pour les problèmes de régression, où vous voulez prédire un nombre continu, par exemple le prix du logement. La différence détaillée peut être trouvée ici: Différence entre ep-SVR et nu-SVR (et moindres carrés SVR)
