PHP.mk документација

SVM

Почист и полокален преглед на PHP референцата, со задржана структура од PHP.net и подобра читливост за примери, секции и белешки.

class.svm.php PHP.net прокси Преводот е вчитан
Оригинал на PHP.net
Патека class.svm.php Локална патека за оваа страница.
Извор php.net/manual/en Оригиналниот HTML се реупотребува и локално се стилизира.
Режим Прокси + преведен приказ Кодовите, табелите и белешките остануваат читливи во истиот тек.
SVM

Референца за `class.svm.php` со подобрена типографија и навигација.

class.svm.php

Класата SVM

Класата SVM

Вовед

Синопсис на класата

class SVM {
/* Константи */
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 OPT_TYPE = 101;
const int OPT_KERNEL_TYPE = 102;
const int OPT_DEGREE = 103;
const int OPT_SHRINKING = 104;
const int OPT_PROPABILITY = 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;
/* Методи */
public __construct()
public svm::crossvalidate(array $problem, int $number_of_folds): float
public getOptions(): array
public setOptions(array $params): bool
public svm::train(array $problem, array $weights = ?): SVMModel
}

Претходно дефинирани константи

(PECL svm >= 0.1.0)

SVM::C_SVC
SVM константи
SVM::NU_SVC
Основен тип C_SVC SVM. Стандарден и добра почетна точка.
SVM::ONE_CLASS
Типот NU_SVC користи различно, пофлексибилно, претежнување на грешки.
SVM::EPSILON_SVR
SVM тип со една класа. Тренирај само на една класа, користејќи аутлаери како негативни примери.
SVM::NU_SVR
SVM тип за регресија (предвидување вредност наместо само класа).
SVM::KERNEL_LINEAR
NU стил SVM тип за регресија.
SVM::KERNEL_POLY
Многу едноставно јадро, може добро да работи на проблеми со класификација на големи документи.
SVM::KERNEL_RBF
Полиномско јадро.
SVM::KERNEL_SIGMOID
Вообичаено Gaussian RBD јадро. Добро се справува со нелинеарни проблеми и е добра стандардна вредност за класификација.
SVM::KERNEL_PRECOMPUTED
Јадро базирано на сигмоидна функција. Користењето на ова го прави SVM многу сличен на двослојна невронска мрежа базирана на сигмоид.
SVM::OPT_TYPE
Претходно пресметано јадро - моментално неподдржано.
SVM::OPT_KERNEL_TYPE
Клуч за опции за типот SVM.
SVM::OPT_DEGREE
SVM::OPT_SHRINKING
Клуч за опции за типот на јадрото.
SVM::OPT_PROBABILITY
Параметар за тренирање, буловски, за тоа дали да се користат евристиките за намалување.
SVM::OPT_GAMMA
Параметар за тренирање, буловски, за тоа дали да се собираат и користат проценки на веројатност.
SVM::OPT_NU
Параметар на алгоритмот за типовите на јадро Poly, RBF и Sigmoid.
SVM::OPT_EPS
Клуч за опцијата за параметарот nu, се користи само во NU_ SVM типовите.
SVM::OPT_P
Параметар за обука што се користи за Episilon SVR регресија
SVM::OPT_COEF_ZERO
Параметар на алгоритам за поли и сигмоидни јадра
SVM::OPT_C
Опцијата за параметарот за цена што ја контролира рамнотежата помеѓу грешките и општоста - ефективно казната за погрешно класифицирање на примерите за обука.
SVM::OPT_CACHE_SIZE
Големина на кешот за меморија, во MB

Содржина

  • SVM::__construct — Конструирај нов SVM објект
  • SVM::crossvalidate — Тестирај ги параметрите за обука на подмножества од податоците за обука
  • SVM::getOptions — Врати ги тековните параметри за обука
  • SVM::setOptions — Постави ги параметрите за обука
  • SVM::train — Креирај SVMModel врз основа на податоци за обука

Белешки од корисници

Нема белешки од корисници за оваа страница.
Навигација

Прелистувај сродни теми и функции.

На оваа страница

Автоматски outline од активната документација.

Насловите ќе се појават тука по вчитување.

Попрегледно читање

Примерите, changelog табелите и user notes се визуелно издвоени за да не се губат во долгата содржина.

Брз совет Користи го outline-от Скокни директно на главните секции од активната страница.
Извор Оригиналниот линк останува достапен Кога ти треба целосен upstream context, отвори го PHP.net во нов tab.