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 float svm::crossvalidate ( array $problem , int $number_of_folds )
public array getOptions ( void )
public bool setOptions ( array $params )
public SVMModel svm::train ( array $problem [, array $weights ] )
}

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
add a note add a note

User Contributed Notes

There are no user contributed notes for this page.
To Top