Класс SVM

(PECL svm >= 0.1.0)

Введение

Обзор класса

class SVM {

/* Константы */

const int C_SVC = 0;

const int NU_SVC = 1;

const int ONE_CLASS = 2;

const int EPSILON_SVR = 3;

const int NU_SVR = 4;

const int KERNEL_LINEAR = 0;

const int KERNEL_POLY = 1;

const int KERNEL_RBF = 2;

const int KERNEL_SIGMOID = 3;

const int KERNEL_PRECOMPUTED = 4;

const int OPT_TYPE = 101;

const int OPT_KERNEL_TYPE = 102;

const int OPT_DEGREE = 103;

const int OPT_SHRINKING = 104;

const int OPT_PROPABILITY = 105;

const int OPT_GAMMA = 201;

const int OPT_NU = 202;

const int OPT_EPS = 203;

const int OPT_P = 204;

const int OPT_COEF_ZERO = 205;

const int OPT_C = 206;

const int OPT_CACHE_SIZE = 207;

/* Методы */

public __construct()

public svm::crossvalidate(array $problem, int $number_of_folds): float

public getOptions(): array

public setOptions(array $params): bool

public svm::train(array $problem, array $weights = ?): SVMModel

}

Предопределённые константы

Константы SVM

SVM::C_SVC: Базовый тип SVM. Тип по умолчанию, хорош для начала.
SVM::NU_SVC: Тип NU_SVC использует другой, более гибкий подход к развесовке ошибок.
SVM::ONE_CLASS: Одноклассовая модель. Тренирует только на одном классе, работает с «выпадающими» данными как с отрицательными примерами
SVM::EPSILON_SVR: Тип для регрессии (прогнозирование значения, а не просто класса)
SVM::NU_SVR: Тип регрессии SVM в стиле NU
SVM::KERNEL_LINEAR: Очень простое ядро, которое хорошо работает для классификации проблем больших документов
SVM::KERNEL_POLY: Полиноминальное ядро
SVM::KERNEL_RBF: Стандартное Гауссово RBD-ядро. Хорошо обрабатывает нелинейные проблемы и является хорошим значением по умолчанию для классификации
SVM::KERNEL_SIGMOID: Ядро, основанное на сигмоидной функции. Очень похоже на использование двухуровневой сигмоидной нейронной сети
SVM::KERNEL_PRECOMPUTED: Предварительно вычисленное ядро — пока не поддерживается
SVM::OPT_TYPE: Опциональный ключ для типа SVM
SVM::OPT_KERNEL_TYPE: Опциональный ключ для типа ядра
SVM::OPT_DEGREE
SVM::OPT_SHRINKING: Обучающий параметр — логическое значение, которое определяет, использовать ли эвристику сокращения
SVM::OPT_PROBABILITY: Параметр обучения — логическое значение, которое определяет, будут ли собираться и использоваться оценки вероятности
SVM::OPT_GAMMA: Параметр алгоритма для следующих типов ядра: Полиноминальное, RBF и Сигмоидное
SVM::OPT_NU: Опциональный ключ для параметра nu. Используется только с типами NU_ SVM
SVM::OPT_EPS: Опциональный ключ для параметра Epsilon. Используется только в Эпсилон-регрессии
SVM::OPT_P: Обучающий параметр для Эпсилон-регрессии SVR
SVM::OPT_COEF_ZERO: Параметр алгоритма для полиноминального и сигмоидного ядра
SVM::OPT_C: Опция для параметра стоимости, контролирующего компромисс между ошибками и неопределённостями — фактически штраф за ошибочную классификацию обучающих примеров.
SVM::OPT_CACHE_SIZE: Размер кеша в памяти в мегабайтах

Содержание

SVM::__construct — Конструктор класса SVM
SVM::crossvalidate — Тестирование обучающих параметров на подмножествах обучающих данных
SVM::getOptions — Получить текущие параметры обучения
SVM::setOptions — Установить параметры обучения
SVM::train — Создать SVMModel на основе обучающих данных

Нашли ошибку?

Инструкция • Исправление • Сообщение об ошибке

＋Добавить

Примечания пользователей

Пользователи ещё не добавляли примечания для страницы