Класс SVM

(PECL svm >= 0.1.0)

Введение

Обзор классов

SVM {

/* Константы */

const integer C_SVC = 0 ;

const integer NU_SVC = 1 ;

const integer ONE_CLASS = 2 ;

const integer EPSILON_SVR = 3 ;

const integer NU_SVR = 4 ;

const integer KERNEL_LINEAR = 0 ;

const integer KERNEL_POLY = 1 ;

const integer KERNEL_RBF = 2 ;

const integer KERNEL_SIGMOID = 3 ;

const integer KERNEL_PRECOMPUTED = 4 ;

const integer OPT_TYPE = 101 ;

const integer OPT_KERNEL_TYPE = 102 ;

const integer OPT_DEGREE = 103 ;

const integer OPT_SHRINKING = 104 ;

const integer OPT_PROPABILITY = 105 ;

const integer OPT_GAMMA = 201 ;

const integer OPT_NU = 202 ;

const integer OPT_EPS = 203 ;

const integer OPT_P = 204 ;

const integer OPT_COEF_ZERO = 205 ;

const integer OPT_C = 206 ;

const integer OPT_CACHE_SIZE = 207 ;

/* Методы */

public __construct ( void )

public svm::crossvalidate ( array $problem , int $number_of_folds ) : float

public getOptions ( void ) : array

public setOptions ( array $params ) : bool

public svm::train ( array $problem [, array $weights ] ) : SVMModel

}

Предопределенные 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 вычесленное ядроl - 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, определяющие 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 стоимостного параметра, контролирующий компромисс между ошибками и неопределенностями - фактически штраф за ошибочную классификацию обучающих примеров.
SVM::OPT_CACHE_SIZE: Размер кеша в памяти в мегабайтах

Содержание

SVM::__construct — Конструктор SVM
SVM::crossvalidate — Тестирование обучающие параметры на подмножествах обучающих данных
SVM::getOptions — Получить текущие параметры обучения
SVM::setOptions — Установить параметры обучения
SVM::train — Создать SVMModel на основе обучающих данных