我有一个场景，我需要根据 6 个属性的值来预测球坐标 (r,theta,phi)。我正在使用带有回归选项的 Libsvm。如果我根据对象实例单独预测标签，那就没有意义了。此外，如果我组合标签并为每个 r、theta、phi 分配一个特定标签，则它没有意义，并且 SVM 不会在预测中收敛。我希望 SVM 分析三个坐标的组合并相应地创建一个训练模型。可能吗？请指教。
【问题讨论】：
标签： machine-learning svm libsvm
并非如此：SVM 是一种分类算法，而不是预测算法。就 SVM 而言，(0, 0, 1) 的标签与 (0, 0, 2) 的区别就像它与 (20, 3, -1) 的区别一样：“不一样”。
如果您有回归问题，请使用回归模型：做一些研究，找到与您的数据集特征所暗示的任何匹配的模型。
根据 OP 评论更新
从您所说的内容来看，在我看来，您好像想要一个多元回归，使用一个损失函数来描述与所需输出三元组的偏差。您是正确的，三个单独的回归不适用于这种情况：空间中的位置取决于三个输出的非线性组合。
我建议您将损失函数设为真实位置和预测位置之间的一些有用距离函数。您将需要对六个输入中的每一个使用线性、平方和其他项来试验您的模型特征。我无法提出任何建议，因为您没有充分描述问题。
【讨论】：