## 支持向量分类 > 基于`libsvm`实现支持向量机的分类器。 ### 构造函数参数 `$kernel(int)` - 算法中使用的内核类型（默认内核:: RBF） `$cost(float)` - C-SVC的参数C（默认值为1.0） `$degree(int)` - `Kernel :: POLYNOMIAL`函数的度数（默认为3） `$gamma(float)` - 'Kernel :: RBF'，`Kernel :: POLYNOMIAL'和'Kernel :: SIGMOID`的内核系数。如果gamma为`null`，则将使用1 / features。 `$coef0(float)` - 内核函数中的独立项。它仅在`Kernel :: POLYNOMIAL'和'Kernel :: SIGMOID`中有效（默认为0.0） `$ tolerance(float)` - 终止标准的容差（默认值为0.001） `$cacheSize(int)` - 以MB为单位的缓存内存大小（默认为100） `$shrinking(bool)` - 是否使用收缩启发式（默认为true） `$probabilityEstimates(bool)` - 是否启用概率估计（默认为false） ``` $classifier = new SVC(Kernel::LINEAR, $cost = 1000); $classifier = new SVC(Kernel::RBF, $cost = 1000, $degree = 3, $gamma = 6); ``` ***** ## 训练 训练分类器只需提供训练样本(`$samples`)和标签(`$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); ``` 您可以使用多个数据集训练分类器，预测将基于所有训练数据。 ***** ## 预测 预测样本标签使用`predict`方法。您可以提供一个样本或样本数组： ``` $classifier->predict([3, 2]); // return 'b' $classifier->predict([[3, 2], [1, 5]]); // return ['b', 'a'] ``` ***** ## 概率估计 要预测概率，必须构建一个`$probabilityEstimates`设置为true的分类器。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], // ] ```