SVM 类

(PECL svm >= 0.1.0)

简介

类概要

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、更灵活的错误加权方式
SVM::ONE_CLASS: 单类 SVM 类型。仅使用单个类进行训练，使用离群点作为负面示例
SVM::EPSILON_SVR: 用于回归（预测值而非仅预测类）的 SVM 类型
SVM::NU_SVR: NU 样式 SVM 回归类型
SVM::KERNEL_LINEAR: 非常简单的内核，在大型文档分类问题上效果很好
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，是分类的良好默认选择
SVM::KERNEL_SIGMOID: 基于 sigmoid 函数的内核。使用它使得 SVM 非常类似于一个两层 sigmoid 基神经网络
SVM::KERNEL_PRECOMPUTED: 预先计算的内核 - 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，用于指示是否使用收缩启发式方法
SVM::OPT_PROBABILITY: 训练参数，布尔值，用于指示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: 控制错误和泛化之间的权衡的成本参数的选项 - 有效地是对错误分类训练示例的惩罚。
SVM::OPT_CACHE_SIZE: 内存缓存大小，以 MB 为单位

SVM 类

简介

类概要

预定义常量

SVM 常量

目录

改进此页面

用户贡献的注释