Клас SVM

(PECL svm >= 0.1.0)

Вступ

Огляд класів

    
    
     
      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

   }

Обумовлені константи

Константи SVM

SVM::C_SVC

Базовий тип SVM. Тип за замовчуванням, добрий для початку.

SVM::NU_SVC

Тип NU_SVC використовує інший, більш гнучкий підхід до розважування помилок.

SVM::ONE_CLASS

Однокласова модель. Тренує тільки на одному класі, використовуючи "випадають" дані як негативні приклади

SVM::EPSILON_SVR

Тип для регресії (прогнозування значення, а не класу)

SVM::NU_SVR

Тип регресії SVM у стилі NU

SVM::KERNEL_LINEAR

Дуже просте ядро, яке добре працює для класифікації проблем великих документів

SVM::KERNEL_POLY

Поліномінальне ядро

SVM::KERNEL_RBF

Стандартне Гаусове RBD ядро. Добре обробляє нелінійні проблеми та є добрим значенням за умовчанням для класифікації

SVM::KERNEL_SIGMOID

Ядро, що базується на сигмоїдній функції. Дуже схоже використання дворівневої сигмоїдної нейронної мережі

SVM::KERNEL_PRECOMPUTED

Попередньо обчислене ядро ​​– зараз не підтримується

SVM::OPT_TYPE

Опціональний ключ типу SVM

SVM::OPT_KERNEL_TYPE

Опціональний ключ типу ядра

SVM::OPT_DEGREE

SVM::OPT_SHRINKING

Параметр навчання, логічне значення, що визначає використання скорочувальної евристики

SVM::OPT_PROBABILITY

Параметр навчання, логічне значення, що визначає, чи збиратимуться і використовуватимуться оцінки ймовірності

SVM::OPT_GAMMA

Параметр алгоритму для наступних типів ядра: Поліномінальне, RBF та Сігмоїдне

SVM::OPT_NU

Опціональний ключ параметра nu. Використовується лише з типами NU_SVM

SVM::OPT_EPS

Опціональний ключ для Epsilon. Використовується тільки в Епсілон-регресії

SVM::OPT_P

Навчальний параметр для Епсилон-регресії SVR

SVM::OPT_COEF_ZERO

Параметр алгоритму для поліномінального та сигмоїдного ядра

SVM::OPT_C

Опція для параметра вартості, що контролює компроміс між помилками та невизначеності - фактично штраф за помилкову класифікацію навчальних прикладів.

SVM::OPT_CACHE_SIZE

Розмір кешу в пам'яті у мегабайтах

Зміст

• SVM::__construct - Конструктор класу SVM
• SVM::crossvalidate— Тестування навчальних параметрів на підмножинах навчальних даних
• SVM::getOptions— Отримати поточні параметри навчання
• SVM::setOptions - Встановити параметри навчання
• SVM::train— Створити SVMModel на основі навчальних даних