SVM 類別

(PECL svm >= 0.1.0)

簡介

類別概要

class SVM {

/* 常數 */

const int C_SVC = 0;

const int NU_SVC = 1;

const int ONE_CLASS = 2;

/* 單分類 */

const int EPSILON_SVR = 3;

/* ε-支持向量回歸 */

const int NU_SVR = 4;

/* ν-支持向量回歸 */

const int KERNEL_LINEAR = 0;

/* 線性核函數 */

const int KERNEL_POLY = 1;

/* 多項式核函數 */

const int KERNEL_RBF = 2;

/* 徑向基底函數核 (RBF 核) */

const int KERNEL_SIGMOID = 3;

/* Sigmoid 核函數 */

const int KERNEL_PRECOMPUTED = 4;

/* 預先計算的核函數 */

const int OPT_TYPE = 101;

/* SVM 類型選項 */

const int OPT_KERNEL_TYPE = 102;

/* 核函數類型選項 */

const int OPT_DEGREE = 103;

/* 多項式核函數次數選項 */

const int OPT_SHRINKING = 104;

/* 縮減啟用選項 */

const int OPT_PROPABILITY = 105;

/* 機率估計選項 (註：原文拼寫錯誤，應為 PROBABILITY) */

const int OPT_GAMMA = 201;

/* Gamma 參數選項 */

const int OPT_NU = 202;

/* Nu 參數選項 */

const int OPT_EPS = 203;

/* Epsilon 參數選項 */

const int OPT_P = 204;

/* P 參數選項 */

const int OPT_COEF_ZERO = 205;

/* 零係數選項 */

const int OPT_C = 206;

const int OPT_CACHE_SIZE = 207;

/* 方法 */

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

}

預定義常數

SVM 常數

SVM::C_SVC: 基本的 C_SVC SVM 類型。預設值，也是一個好的起始點。
SVM::NU_SVC: NU_SVC 類型使用不同、更彈性的錯誤加權。
SVM::ONE_CLASS: 單分類 SVM 類型。僅在單一類別上訓練，使用離群值作為負面範例。
SVM::EPSILON_SVR: 用於迴歸的 SVM 類型（預測值而不是僅預測類別）。
SVM::NU_SVR: NU 樣式的 SVM 迴歸類型。
SVM::KERNEL_LINEAR: 一個非常簡單的核心，可以在大型文件分類問題上運作良好。
SVM::KERNEL_POLY: 多項式核心。
SVM::KERNEL_RBF: 常見的高斯徑向基函數 (RBF) 核心。可以很好地處理非線性問題，並且是分類的良好預設值。
SVM::KERNEL_SIGMOID: 基於 sigmoid 函數的核心。使用它會使 SVM 非常類似於兩層基於 sigmoid 的神經網路。
SVM::KERNEL_PRECOMPUTED: 預先計算的核心 - 目前不支援。
SVM::OPT_TYPE: SVM 類型的選項鍵。
SVM::OPT_KERNEL_TYPE: 核心類型的選項鍵。
SVM::OPT_DEGREE
SVM::OPT_SHRINKING: 訓練參數，布林值，用於是否使用縮減啟發式演算法。
SVM::OPT_PROBABILITY: 訓練參數，布林值，用於是否收集和使用機率估計。
SVM::OPT_GAMMA: Poly、RBF 和 Sigmoid 核心類型的演算法參數。
SVM::OPT_NU: nu 參數的選項鍵，僅用於 NU_ SVM 類型。
SVM::OPT_EPS: Epsilon 參數的選項鍵，用於 epsilon 迴歸。
SVM::OPT_P: Episilon SVR 迴歸使用的訓練參數。
SVM::OPT_COEF_ZERO: 多項式和 sigmoid 核心的演算法參數。
SVM::OPT_C: 成本參數的選項，用於控制錯誤和泛化性之間的權衡 - 實際上是對錯誤分類訓練範例的懲罰。
SVM::OPT_CACHE_SIZE: 記憶體快取大小，單位為 MB。

SVM 類別

簡介

類別概要

預定義常數

SVM 常數

目錄

發現問題了嗎？

使用者貢獻的註解