A classe SVM

(PECL svm >= 0.1.0)

Introdução

Resumo da classe

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: O tipo básico de SVM C_SVC. O padrão e um bom ponto de partida.
SVM::NU_SVC: O tipo NU_SVC usa uma ponderação de erro diferente e mais flexível.
SVM::ONE_CLASS: Tipo SVM de uma só classe. Treina apenas em uma única classe, usando valores discrepantes como exemplos negativos.
SVM::EPSILON_SVR: Um tipo de SVM para regressão (prevendo um valor em vez de apenas uma classe).
SVM::NU_SVR: Um tipo de regressão SVM estilo NU
SVM::KERNEL_LINEAR: Um kernel muito simples, pode funcionar bem em problemas de classificação de documentos grandes
SVM::KERNEL_POLY: Um kernel polinomial
SVM::KERNEL_RBF: O kernel RBD gaussiano comum. Lida bem com problemas não lineares e é um bom padrão para classificação.
SVM::KERNEL_SIGMOID: Um kernel baseado na função sigmóide. Utilizando isso, a SVM se torna muito semelhante a uma rede neural sigmóide de duas camadas.
SVM::KERNEL_PRECOMPUTED: Um kernel pré-computado - atualmente sem suporte.
SVM::OPT_TYPE: A chave de opções para o tipo SVM.
SVM::OPT_KERNEL_TYPE: A chave de opções para o tipo de kernel.
SVM::OPT_DEGREE
SVM::OPT_SHRINKING: Parâmetro de treinamento, booleano, para determinar se deve ou não ser usada a heurística de encolhimento.
SVM::OPT_PROBABILITY: Parâmetro de treinamento, booleano, para coletar e usar estimativas de probabilidade.
SVM::OPT_GAMMA: Parâmetro de algoritmo para tipos de kernel Poly, RBF e sigmóide.
SVM::OPT_NU: A chave de opção para o parâmetro nu, usada apenas nos tipos NU_SVM.
SVM::OPT_EPS: A chave de opção para o parâmetro epsilon, usada na regressão Epsilon.
SVM::OPT_P: Parâmetro de treinamento usado pela regressão Epsilon SVR.
SVM::OPT_COEF_ZERO: Parâmetro de algoritmo para kernels Poly e sigmóides
SVM::OPT_C: A opção pelo parâmetro de custo que controla a ponderação entre erros e generalidade - efetivamente a penalidade pela classificação incorreta de exemplos de treinamento.
SVM::OPT_CACHE_SIZE: Tamanho da memória de cache, em MB

Índice

SVM::__construct — Constrói um novo objeto SVM
SVM::crossvalidate — Testa parâmetros de treinamento em subconjuntos de dados de treinamento
SVM::getOptions — Retorna os parâmetros de treinamento atuais
SVM::setOptions — Define parâmetros de treinamento
SVM::train — Cria um SVMModel com base em dados de treinamento

Melhore Esta Página

Aprenda Como Melhorar Esta Página • Envie uma Solicitação de Modificação • Reporte um Problema

＋adicionar nota

Notas de Usuários

Não há notas de usuários para esta página.