Respuesta corta
Puede seleccionar qué usar en función de su objetivo y qué tipo de datos tiene.
Si tiene un problema de clasificación, es decir, una etiqueta discreta para predecir, puede usar C-classificationy nu-classification.
Si tiene un problema de regresión, es decir, un número continuo para predecir, puede usar eps-regressiony nu-regression.
Si solo tiene una clase de datos, es decir, comportamiento normal, y desea detectar valores atípicos. one-classification.
Detalles
La clasificación C y la clasificación nu son para uso de clasificación binaria. Diga si desea crear un modelo para clasificar el gato frente al perro según las características de los animales, es decir, el objetivo de predicción es una variable / etiqueta discreta.
Para detalles sobre la diferencia entre clasificación C y clasificación nu. Puede encontrarlo en las preguntas frecuentes de LIBSVM
P: ¿Cuál es la diferencia entre nu-SVC y C-SVC?
Básicamente son lo mismo pero con diferentes parámetros. El rango de C es de cero a infinito, pero nu siempre está entre [0,1]. Una buena propiedad de nu es que está relacionada con la proporción de vectores de soporte y la proporción del error de entrenamiento.
Una clasificación es para "detección de valores atípicos", donde solo tiene datos de una clase. Por ejemplo, desea detectar comportamientos "inusuales" de la cuenta de un usuario. Pero no tiene un "comportamiento inusual" para entrenar al modelo. Pero solo el comportamiento normal.
La regresión eps y la regresión nu se usan para problemas de regresión, donde desea predecir un número continuo, por ejemplo, el precio de la vivienda. La diferencia detallada se puede encontrar aquí: Diferencia entre ep-SVR y nu-SVR (y SVR de mínimos cuadrados)
