La classe SVM

(PECL svm >= 0.1.0)

Introduction

Synopsis de la 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_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;

/* Méthodes */

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

}

Constantes pré-définies

Constantes SVM

SVM::C_SVC: Le type SVM C_SVC basique. C'est le type par défaut, et un bon point de départ.
SVM::NU_SVC: Le type NU_SVC utilise une pondération différente, plus souple des erreurs.
SVM::ONE_CLASS: Un type de classe SVM. S'entraîne sur une seule classe, en utilisant les valeurs aberrantes comme des exemples négatifs.
SVM::EPSILON_SVR: Un type SVM pour la régression (prédiction d'une valeur plutôt que seulement une classe).
SVM::NU_SVR: Un type NU de régression SVM.
SVM::KERNEL_LINEAR: Un noyau très simple, pouvant fonctionner correctement sur un large nombre de problèmes de classification.
SVM::KERNEL_POLY: Un noyau polynôme.
SVM::KERNEL_RBF: Un noyau Gaussien RBF commun. Gère parfaitement les problèmes non linéaires, et est un bon noyau par défaut pour la classification.
SVM::KERNEL_SIGMOID: Un noyau basé sur la fonction sigmoïde. Son utilisation rend SVM très similaire à une interface sigmoïde basée sur un réseau neuronal.
SVM::KERNEL_PRECOMPUTED: Un noyau pré-calculé - actuellement non supporté.
SVM::OPT_TYPE: Les clés en option pour le type SVM.
SVM::OPT_KERNEL_TYPE: Les clés en option pour le type de noyau.
SVM::OPT_DEGREE
SVM::OPT_SHRINKING: Paramètre d’entraînement, booléen, pour indiquer d'utiliser les heuristiques rétrécis.
SVM::OPT_PROBABILITY: Paramètre d’entraînement, booléen, pour indiquer d'utiliser des estimations des probabilités.
SVM::OPT_GAMMA: Paramètre de l'algorithme pour les types de noyau Poly, RBF et sigmoïde.
SVM::OPT_NU: La clé optionnelle pour le paramètre NU, uniquement utilisée pour les types NU_ SVM.
SVM::OPT_EPS: La clé optionnelle pour le paramètre Epsilon, utilisé pour la régression epsilon.
SVM::OPT_P: Paramètre d'entraînement utilisé par la régression Epsilon SVR.
SVM::OPT_COEF_ZERO: Paramètre d'algorithme pour les noyaux poly et sigmoïde.
SVM::OPT_C: L'option pour le paramètre cost qui contrôle les compromis entre les erreurs et la généralisation - effectivement, la pénalité pour mauvaise classification des exemples d'entraînement.
SVM::OPT_CACHE_SIZE: Taille de la mémoire cache, en Mo.

Sommaire

SVM::__construct — Construit un nouvel objet SVM
SVM::crossvalidate — Test les paramètres d'entraînement sur les sous-jeux de données d’entraînement
SVM::getOptions — Retourne les paramètres courants d’entraînement
SVM::setOptions — Définit des paramètres d'entraînement
SVM::train — Crée un modèle SVMModel suivant les données d'entraînement