SVM 类

(PECL svm >= 0.1.0)

简介

类摘要

class SVM {

/* 常量 */

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;

/* 方法 */

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

}

预定义常量

SVM 常量

SVM::C_SVC: 基本的 C_SVC SVM 类型。默认类型，也是一个良好的起点。
SVM::NU_SVC: NU_SVC 类型使用不同的、更灵活的错误加权。
SVM::ONE_CLASS: 单类 SVM 类型。仅在单个类上进行训练，使用异常值作为负例。
SVM::EPSILON_SVR: 用于回归的 SVM 类型（预测值而不是仅仅预测类别）。
SVM::NU_SVR: 一种 NU 样式的 SVM 回归类型。
SVM::KERNEL_LINEAR: 一个非常简单的内核，在大型文档分类问题上效果良好。
SVM::KERNEL_POLY: 多项式内核。
SVM::KERNEL_RBF: 常见的 Gaussian RBD 内核。能够很好地处理非线性问题，并且是分类的良好默认选择。
SVM::KERNEL_SIGMOID: 基于 sigmoid 函数的内核。使用此内核使得 SVM 非常类似于一个两层 sigmoid 基于的神经网络。
SVM::KERNEL_PRECOMPUTED: 预计算内核 - 当前不支持。
SVM::OPT_TYPE: SVM 类型的选项键。
SVM::OPT_KERNEL_TYPE: 内核类型的选项键。
SVM::OPT_DEGREE
SVM::OPT_SHRINKING: 训练参数，布尔值，用于是否使用收缩启发式算法。
SVM::OPT_PROBABILITY: 训练参数，布尔值，用于是否收集和使用概率估计。
SVM::OPT_GAMMA: Poly、RBF 和 Sigmoid 内核类型的算法参数。
SVM::OPT_NU: nu 参数的选项键，仅在 NU_ SVM 类型中使用。
SVM::OPT_EPS: Epsilon 参数的选项键，用于 epsilon 回归。
SVM::OPT_P: Episilon SVR 回归使用的训练参数。
SVM::OPT_COEF_ZERO: poly 和 sigmoid 内核的算法参数。
SVM::OPT_C: 成本参数的选项，用于控制错误和泛化之间的权衡 - 有效地惩罚错误分类的训练示例。
SVM::OPT_CACHE_SIZE: 内存缓存大小，以 MB 为单位。

SVM 类

简介

类摘要

预定义常量

SVM 常量

目录

发现问题了吗？

用户贡献注释