## 支持向量分類 > 基于`libsvm`實現支持向量機的分類器。 ### 構造函數參數 `$kernel(int)` - 算法中使用的內核類型（默認內核:: RBF） `$cost(float)` - C-SVC的參數C（默認值為1.0） `$degree(int)` - `Kernel :: POLYNOMIAL`函數的度數（默認為3） `$gamma(float)` - 'Kernel :: RBF'，`Kernel :: POLYNOMIAL'和'Kernel :: SIGMOID`的內核系數。如果gamma為`null`，則將使用1 / features。 `$coef0(float)` - 內核函數中的獨立項。它僅在`Kernel :: POLYNOMIAL'和'Kernel :: SIGMOID`中有效（默認為0.0） `$ tolerance(float)` - 終止標準的容差（默認值為0.001） `$cacheSize(int)` - 以MB為單位的緩存內存大小（默認為100） `$shrinking(bool)` - 是否使用收縮啟發式（默認為true） `$probabilityEstimates(bool)` - 是否啟用概率估計（默認為false） ``` $classifier = new SVC(Kernel::LINEAR, $cost = 1000); $classifier = new SVC(Kernel::RBF, $cost = 1000, $degree = 3, $gamma = 6); ``` ***** ## 訓練 訓練分類器只需提供訓練樣本(`$samples`)和標簽(`$labels`)。例： ```php 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); ``` 您可以使用多個數據集訓練分類器，預測將基于所有訓練數據。 ***** ## 預測 預測樣本標簽使用`predict`方法。您可以提供一個樣本或樣本數組： ``` $classifier->predict([3, 2]); // return 'b' $classifier->predict([[3, 2], [1, 5]]); // return ['b', 'a'] ``` ***** ## 概率估計 要預測概率，必須構建一個`$probabilityEstimates`設置為true的分類器。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, // $kernel 1.0, // $cost 3, // $degree null, // $gamma 0.0, // $coef0 0.001, // $tolerance 100, // $cacheSize true, // $shrinking true // $probabilityEstimates, set to true ); $classifier->train($samples, $labels); ``` 然后使用`predictProbability`方法代替`predict`： ``` $classifier->predictProbability([3, 2]); // return ['a' => 0.349833, 'b' => 0.650167] $classifier->predictProbability([[3, 2], [1, 5]]); // return [ // ['a' => 0.349833, 'b' => 0.650167], // ['a' => 0.922664, 'b' => 0.0773364], // ] ```