La clase SVM

(PECL svm >= 0.1.0)

Introducción

Sinopsis de la Clase

class SVM {

/* Constantes */

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_PROBABILITY = 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;

/* Métodos */

public function __construct()

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

public function getOptions(): array

public function setOptions(array $params): bool

public function svm::train(array $problem, array $weights = ?): SVMModel

}

Constantes predefinidas

Constantes SVM

SVM::C_SVC: El tipo básico C_SVC SVM. Es el tipo por defecto. Un buen punto de partida.
SVM::NU_SVC: El tipo NU_SVC usa una diferente y más flexible ponderación de errores.
SVM::ONE_CLASS: Una clase de tipo SVM. Guía simplemente a una clase, usando valores extremos como ejemplos negativos.
SVM::EPSILON_SVR: Un tipo SVM para regresión (prediciento un valor más que símplemente una clase)
SVM::NU_SVR: Un tipo de regresión SVM al estilo NU.
SVM::KERNEL_LINEAR: Un núcleo muy simple, puede funcionar bien con problemas de clasificación de documentos grandes.
SVM::KERNEL_POLY: Un núcleo polinómico
SVM::KERNEL_RBF: El común nucleo Gaussiano RBD. Maneja bien problemas no lineales y es un buen estándar para la clasificación.
SVM::KERNEL_SIGMOID: Un núcleo basado en la función sigmoid. Usando esta, SVM se hace muy similar a sigmoid de dos capas basado en redes neuronales.
SVM::KERNEL_PRECOMPUTED: Un núcleo precalculado - actualmente sin soporte.
SVM::OPT_TYPE: La clave de opciones para el tipo SVM
SVM::OPT_KERNEL_TYPE: La clave opcional para el tipo de núcleo
SVM::OPT_DEGREE
SVM::OPT_SHRINKING: Parámetro de formación, booleano, para cualquier uso de reducciones heurísticas.
SVM::OPT_PROBABILITY: Parámetro de formación, booleano, para recaudar y estimar el uso de probabilidades.
SVM::OPT_GAMMA: Parámetro algorítmico para usar Poly, RBF y Sigmoid como tipos de núcleo.
SVM::OPT_NU: La clave de opción para el parámetro NU, solo usado en tipos NU_ SVM.
SVM::OPT_EPS: La clave para la opción del parámetro Epsilon, Usada en regresiones epsilon.
SVM::OPT_P: Parámetro de formación usado por regresiones Episilon SVR
SVM::OPT_COEF_ZERO: Parámetro para el algoritmo de núcleos poly y sigmoid
SVM::OPT_C: La opción para el parámetro de coste que controla la compensación entre errores y generalidad - efectivamente la sanción por la clasificación errónea de los ejemplos de formación.
SVM::OPT_CACHE_SIZE: Tamaño de la memoria caché, en MB.

Tabla de contenidos

SVM::__construct — Construir un nuevo objeto SVM
SVM::crossvalidate — Prueba los argumentos de entrenamiento en los subconjuntos de datos de entrenamiento
SVM::getOptions — Devuelve los argumentos de entrenamiento actuales
SVM::setOptions — Define argumentos de entrenamiento
SVM::train — Crea un modelo SVMModel basado en los datos de entrenamiento

Found A Problem?

Learn How To Improve This Page • Submit a Pull Request • Report a Bug

＋add a note

User Contributed Notes

There are no user contributed notes for this page.