Примеры
Процесс довольно прост: задаём параметры, предоставляем обучающие данные,
на основе которых будет создана модель, а затем делаем прогнозы, основанные
на этой модели. Набор параметров по умолчанию гарантирует получение
хоть какого-то результата практически для любых входных данных, так что
на нем останавливаться не будем и сразу перейдём к обучающим данным.
Есть три пути предоставления обучающих данных: файл, поток и массив.
Если данные предоставляются с помощью файла или потока, то на каждой
строке должен содержаться один обучающий пример, отформатированный
следующим образом: в начале должно быть целое число (обычно 1 или -1),
это число обозначается термином "класс", а следом за ним перечисление пар
признак:значение в порядке увеличения признака. Признаки должны быть
целыми числами, а их значения рациональными, обычно на диапазоне 0-1.
Например:
-1 1:0.43 3:0.12 9284:0.2
В проблеме классификации документов, например, при проверке письма на спам,
каждая строка должна представлять один документ. Для задачи проверки на спам
нам понадобится два класса, -1 для спама и 1 для нормального письма.
Каждый признак должен означать некое слово, а его значение - важность
данного слова в документе (возможно, частота появления относительно длины
элемента). Признаки со значением 0 (т.е. слово в документе не встречается)
просто не включаем в набор.
В случае использования массива, данные должны быть представлены в
виде массива массивов, в котором каждый вложенный массив должен
первым элементом содержать класс, а все последующие элементы
содержать пары "признак" => "значение".
Эти данные передаются обучающей функции класса SVM, которая в результате
вернёт модель (SVMModel).
Созданная модель может использоваться для построения предположений
о классе новых объектов, описанных признаками и их значениями.
Данные, на основе которых делаются предположения, должны быть
переданы функции модели в том же формате, что описан выше, но
без указания их класса (т.е. без первого элемента), которая вернёт
предполагаемый класс, подходящий под эти данные.
Модель впоследствии можно сохранять и загружать с помощью функций,
принимающих путь к файлу в качестве параметра.
Пример #1 Обучение из массива
<?php
$data = array(
array(-1, 1 => 0.43, 3 => 0.12, 9284 => 0.2),
array(1, 1 => 0.22, 5 => 0.01, 94 => 0.11),
);
$svm = new SVM();
$model = $svm->train($data);
$data = array(1 => 0.43, 3 => 0.12, 9284 => 0.2);
$result = $model->predict($data);
var_dump($result);
$model->save('model.svm');
?>
Вывод приведённого примера будет похож на:
Пример #2 Обучение из файла
<?php
$svm = new SVM();
$model = $svm->train("traindata.txt");
?>
