Класс SVM

(PECL svm >= 0.1.0)

Введение

Обзор классов

classSVM {

constintC_SVC = 0;

constintNU_SVC = 1;

constintONE_CLASS = 2;

constintEPSILON_SVR = 3;

constintNU_SVR = 4;

constintKERNEL_LINEAR = 0;

constintKERNEL_POLY = 1;

constintKERNEL_RBF = 2;

constintKERNEL_SIGMOID = 3;

constintKERNEL_PRECOMPUTED = 4;

constintOPT_TYPE = 101;

constintOPT_KERNEL_TYPE = 102;

constintOPT_DEGREE = 103;

constintOPT_SHRINKING = 104;

constintOPT_PROPABILITY = 105;

constintOPT_GAMMA = 201;

constintOPT_NU = 202;

constintOPT_EPS = 203;

constintOPT_P = 204;

constintOPT_COEF_ZERO = 205;

constintOPT_C = 206;

constintOPT_CACHE_SIZE = 207;

public__construct()

publicsvm::crossvalidate(array$problem, int$number_of_folds): float

publicgetOptions(): array

publicsetOptions(array$params): bool

publicsvm::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, используя "выпадающие" данные в качестве отрицательных примеров
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 базирующееся на сигмоидной функции. Очень похоже на использование двухуровневой сигмоидной нейронной сети
SVM::KERNEL_PRECOMPUTED: Предварительно вычисленное ядро - сейчас 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: Параметр обучения, логическое значение, определяющий использование сокращающей эвристики
SVM::OPT_PROBABILITY: Параметр обучения, логическое значение, определяющий, 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