サポート ベクター 分類

libsvmに基づいたサポート ベクター マシーンを実装する分類器

コンストラクタのパラメータ

  • $kernel (int) - アルゴリズムで使われるカーネルタイプ (デフォルト Kernel::LINEAR)
  • $cost (float) - C-SVC のパラメータC (デフォルト 1.0)
  • $degree (int) - Kernel::POLYNOMIAL 関数の傾き (デフォルト 3)
  • $gamma (float) - ‘Kernel::RBF’, ‘Kernel::POLYNOMIAL’ および ‘Kernel::SIGMOID’ のためのカーネル係数。gamma が ‘null’ の場合、1/features が代わりに使われます。
  • $coef0 (float) - カーネル関数の非依存条件‘Kernel::POLYNOMIAL’ および ‘Kernel::SIGMOID’ でのみ意味があります (デフォルト 0.0)
  • $tolerance (float) - 終了条件 (デフォルト 0.001)
  • $cacheSize (int) - MB単位のキャッシュメモリサイズ (デフォルト 100)
  • $shrinking (bool) - シュリンク ヒューリスティクスを使うかどうか (デフォルト true)
  • $probabilityEstimates (bool) - 確率予測を有効にするかどうか (デフォルト false)
$classifier = new SVC(Kernel::LINEAR, $cost = 1000);
$classifier = new SVC(Kernel::RBF, $cost = 1000, $degree = 3, $gamma = 6);

学習

分類器を訓練するには、単純に訓練サンプルとラベルを与えます (配列として)。例:

use Phpml\Classification\SVC;
use Phpml\SupportVectorMachine\Kernel;

$samples = [[1, 3], [1, 4], [2, 4], [3, 1], [4, 1], [4, 2]];
$labels = ['a', 'a', 'a', 'b', 'b', 'b'];

$classifier = new SVC(Kernel::LINEAR, $cost = 1000);
$classifier->train($samples, $labels);

複数のデータセットを使って分類器を訓練することができます。予測は全ての訓練データに基づきます。

予測

サンプルのラベルを予測するには、predict メソッドを使います。1つのサンプルあるいは、サンプルの配列を与えることができます:

$classifier->predict([3, 2]);
// return 'b'

$classifier->predict([[3, 2], [1, 5]]);
// return ['b', 'a']