- پنج‌شنبه 21 آبان 1405 ساعت 21:05
- 0.6.2
- کامل شده
- منقضی شده
این داکیومنت از طرف توسعه‌دهنده ساپورت نمی‌شود، جدیدترین ورژن داکیومنت بزودی ترجمه خواهد شد.
Support Vector Classification یا SVC الگوریتم طبقه‌بندی مبتنی بر ماشین بردار پشتیبان است. هدف آن یافتن مرزی است که کلاس‌ها را با حاشیه مناسب از یکدیگر جدا کند. در داده‌های غیرخطی، Kernel می‌تواند رابطه‌های پیچیده‌تر را مدل کند.
نحوه کار و کاربرد
پارامترهایی مانند Kernel، هزینه خطا (C)، Gamma و Degree بر شکل مرز تصمیم اثر می‌گذارند. داده‌های ویژگی معمولاً باید مقیاس‌بندی شوند و انتخاب پارامتر با Cross Validation انجام شود.
نمونه
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, 1000);
$classifier->train($samples, $labels);
$prediction = $classifier->predict([3,2]);نکته
عملکرد مدل را روی داده آزمون مستقل بسنجید و از انتخاب Kernel صرفاً بر اساس دقت داده آموزش خودداری کنید.