La classe SVM

(No version information available, might only be in SVN)

Introduction

Synopsis de la classe

SVM {

/* Constantes */

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 ;

/* Méthodes */

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 ] )

}

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: Une 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 document de problèmes de classification.
SVM::KERNEL_POLY: Un noyau polynôme.
SVM::KERNEL_RBF: Un noyau Gaussien RBD 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 utilisant rend SVM très similaire à une interface sigmoïde basée sur un réseau neutre.
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 négociations entre les erreurs et les généralités - effectivement, la pénalité pour mauvaise classification des exemples d'entrainement.
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