## 支持向量回歸 > 基于libsvm實現Epsilon-Support向量回歸的類。 ### 構造函數參數 `$kernel(int) `- 算法中使用的內核類型（默認內核:: RBF） `$degree(int)` - `Kernel :: POLYNOMIAL`函數的度數（默認為3） `$ epsilon(float) `- epsilon-epsR的損失函數中的epsilon（默認值為0.1） `$ cost(float)` - C-SVC的參數C（默認值為1.0） `$ 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） ``` $regression = new SVR(Kernel::LINEAR); $regression = new SVR(Kernel::LINEAR, $degree = 3, $epsilon=10.0); ``` ***** ## 訓練 訓練模型只需提供訓練樣本和目標值（作為`array`）。例： ``` use Phpml\Regression\SVR; use Phpml\SupportVectorMachine\Kernel; $samples = [[60], [61], [62], [63], [65]]; $targets = [3.1, 3.6, 3.8, 4, 4.1]; $regression = new SVR(Kernel::LINEAR); $regression->train($samples, $targets); ``` 您可以使用多個`predict`集訓練模型，預測將基于所有訓練數據。 ***** ### 預測 要預測樣本目標值，請使用`predict`方法。您可以提供一個樣本或樣本數組： ``` $regression->predict([64]) // return 4.03 ```