基本流程是定义参数，提供训练数据来生成模型，然后根据模型进行预测。有一组默认参数应该能够在大多数输入情况下获得一些结果，所以我们将从查看数据开始。
数据以文件、流或数组的形式提供。如果以文件或流的形式提供，则必须每行一个训练示例，格式为整数类（通常为1和-1），后跟一系列特征/值对，按特征递增顺序排列。特征是整数，值是浮点数，通常按0-1比例缩放。例如
-1 1:0.43 3:0.12 9284:0.2
在一个文档分类问题中，比如垃圾邮件检查器，每一行都代表一个文档。将有两个类别，-1表示垃圾邮件，1表示正常邮件。每个特征都代表某个单词，而该值则表示该单词对文档的重要性（可能是频率计数，总计按单位长度缩放）。为0的特征（例如，该单词根本没有出现在文档中）将不会被包含。
在数组模式下，数据必须作为数组的数组传递。每个子数组必须将类别作为第一个元素，然后是特征值对的键=>值集。
此数据将传递给SVM类的train函数，如果成功则将返回一个SVM模型。
生成模型后，它可用于对以前未见过的数据进行预测。这可以作为数组传递给模型的predict函数，格式与之前相同，但没有标签。响应将是类别。
模型可以根据需要保存和恢复，使用save和load函数，这两个函数都接收文件位置。
示例 #1 从数组训练
<?php
$data = array(
array(-1, 1 => 0.43, 3 => 0.12, 9284 => 0.2),
array(1, 1 => 0.22, 5 => 0.01, 94 => 0.11),
);
$svm = new SVM();
$model = $svm->train($data);
$data = array(1 => 0.43, 3 => 0.12, 9284 => 0.2);
$result = $model->predict($data);
var_dump($result);
$model->save('model.svm');
?>上面的例子将输出类似于以下内容：
int(-1)
示例 #2 从文件训练
<?php
$svm = new SVM();
$model = $svm->train("traindata.txt");
?>名为“6765419 at qq dot com”的用户给出的负面评价的示例也适用！
<?php
$data = array(
array(-1, 1 =>170, 2 => 60),//-1 代表男生，键1代表身高，键2代表体重
array(-1, 1 =>180, 2 => 70),
array(1, 1 => 160, 2 => 46),//1 代表女生，键1代表身高，键2代表体重
array(1, 1 => 155, 2 => 40),
);
$svm = new SVM();
$model = $svm->train($data);
$data = array( 1 => 165, 2 =>60);//测试数据
$result = $model->predict($data);
echo var_dump($result);//echo var_export($result);
//return;
?>
所以我得到
float(-1)好的，我做了更多测试。
获取源代码
https://github.com/ianbarber/php-svm/blob/master/tests/002_predict.phpt 已修改..
<?php
$svm = new svmmodel();
//$result = $svm->load(dirname(__FILE__) . '/australian.model');
$result = $svm->load('australian.model');
if($result) {
$data = array(
"1" => 1,
2 => -0.731729,
3 => -0.886786,
4 => -1,
5 => 0.230769,
"6" => -0.25,
7 => -0.783509,
8 => 1,
9 => 1,
10 => "-0.820896",
11 => -1,
13 => -0.92,
"14" => "-1"
);
$result = $svm->predict($data);
if($result > 0) {
echo "ok";
print_r($result);
} else {
echo "预测失败: $result";
}
} else {
echo "加载失败";
}
?>
在测试文件所在的文件夹中添加额外的https://github.com/ianbarber/php-svm/blob/master/tests/australian.scale文件后，运行代码即可获得结果。
================================
ok1
所以它能工作。我忘记了一个细节！
如果你打算在Windows XAMPP环境下手动安装，文件应放在c:\xampp\php\lib\libsvm-3.1 (对应第一篇文章中描述的文件) ，扩展文件放在c:\xampp\php\ext (php_svm.dll)。
运行正常，祝你好运。我从pecl.php.net下载了svm php_svm-0.2.3-8.1-ts-vs16-x64.zip，然后阅读了README.md文件…
=====================================================
数据可以从文件、流或数组中提供。如果从文件或流中提供，则每行必须是一个训练示例，格式为整数类别（通常为1和-1），后跟一系列特征/值对，特征按递增顺序排列。特征是整数，值是浮点数，通常缩放到0-1。例如：
-1 1:0.43 3:0.12 9284:0.2
=====================================================
因此，创建traindata.txt文件，内容为-1 1:0.43 3:0.12 9284:0.2，然后在第二个例子中使用它。
<?php
$svm = new SVM();
$model = $svm->train("traindata.txt");
$model->save('model2.svm');
?>
运行并编辑model2.svm后，我得到了以下内容：
-------------------------------------------------------------------
svm_type c_svc
kernel_type rbf
gamma 0.00010771219302024989
nr_class 1
total_sv 0
rho
label -1
nr_sv 0
SV
--------------------------------------------------------------------
所以是的，我认为它能工作，正如我所说的，我需要进行更多测试来掌握主要功能，以便考虑更复杂的情况。前提：PHP 8.1，Windows 64位
----------------------------------
安装（针对初学者）
--------
访问https://github.com/ianbarber/php-svm后
我从页面上找到了安装脚本的URL：
..http://www.csie.ntu.edu.tw/~cjlin/cgi-bin/libsvm.cgi?+http://www.csie.ntu.edu.tw/~cjlin/libsvm+tar.gz
并手动安装它。
1. php.ini
（在主要的extension=…组之后，大约有12个条目）
...
extension=svm
...
2. 我在php目录下手动创建一个名为libsvm-3.1的文件夹，然后解压libsvm.dll、libsvmread.mexw64、libsvmwrite.mexw64、svmpredict.mexw64、svm-predict.exe、svm-scale.exe、svm-toy.exe、svmtrain.mexw64、svm-train.exe到该文件夹！
运行
<?php
$data = array(
array(-1, 1 => 0.43, 3 => 0.12, 9284 => 0.2),
array(1, 1 => 0.22, 5 => 0.01, 94 => 0.11),
);
$svm = new SVM();
$model = $svm->train($data);
$data = array(1 => 0.43, 3 => 0.12, 9284 => 0.2);
$result = $model->predict($data);
var_dump($result);
$model->save('model.svm');
?>
通过服务器（Apache、PHP、MariaDB；甚至自定义或XAMPP），我现在得到了结果。
我得到了model.svm文件，其内容如下：
================================
svm_type c_svc
kernel_type rbf
gamma 0.00010771219302024989
nr_class 2
total_sv 2
rho 0
label 1 -1
nr_sv 1 1
SV
1 1:0.22 5:0.01 94:0.11
-1 1:0.43 3:0.12 9284:0.2
=================================
所以我觉得它对于启动项目来说非常酷。
我将查看github上的phpt文件，以了解为什么在昨天的测试中，某些函数需要两个参数而不是手册中说明的一个参数时出现错误。