Resposta curta
Você pode selecionar o que usar com base em sua meta e que tipo de dados você possui.
Se você tiver um problema de classificação, ou seja, etiqueta discreta para prever, poderá usar C-classificatione nu-classification.
Se você tiver um problema de regressão, ou seja, número contínuo a prever, poderá usar eps-regressione nu-regression.
Se você possui apenas uma classe de dados, ou seja, comportamento normal e deseja detectar discrepâncias. one-classification.
Detalhes
A classificação C e a classificação nu são para uso em classificação binária. Diga se você deseja criar um modelo para classificar gato x cachorro com base em recursos para animais, ou seja, o destino da previsão é uma variável / rótulo discreto.
Para detalhes sobre a diferença entre a classificação C e a classificação nu. Você pode encontrar no FAQ do LIBSVM
P: Qual a diferença entre o nu-SVC e o C-SVC?
Basicamente, eles são a mesma coisa, mas com parâmetros diferentes. O intervalo de C é de zero ao infinito, mas nu está sempre entre [0,1]. Uma boa propriedade do nu é que ele está relacionado à proporção de vetores de suporte e à proporção do erro de treinamento.
Uma classificação é para "detecção de outlier", onde você só tem dados de uma classe. Por exemplo, você deseja detectar comportamentos "incomuns" da conta de um usuário. Mas você não tem "comportamento incomum" para treinar o modelo. Mas apenas o comportamento normal.
A regressão eps e a regressão nu são usadas para problemas de regressão, em que você deseja prever um número contínuo, por exemplo, o preço da habitação. Diferença detalhada pode ser encontrada aqui: Diferença entre ep-SVR e nu-SVR (e SVR de mínimos quadrados)
