## 支持向量回归 > 基于libsvm实现Epsilon-Support向量回归的类。 ### 构造函数参数 `$kernel(int) `- 算法中使用的内核类型（默认内核:: RBF） `$degree(int)` - `Kernel :: POLYNOMIAL`函数的度数（默认为3） `$ epsilon(float) `- epsilon-epsR的损失函数中的epsilon（默认值为0.1） `$ cost(float)` - C-SVC的参数C（默认值为1.0） `$ 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） ``` $regression = new SVR(Kernel::LINEAR); $regression = new SVR(Kernel::LINEAR, $degree = 3, $epsilon=10.0); ``` ***** ## 训练 训练模型只需提供训练样本和目标值（作为`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); ``` 您可以使用多个`predict`集训练模型，预测将基于所有训练数据。 ***** ### 预测 要预测样本目标值，请使用`predict`方法。您可以提供一个样本或样本数组： ``` $regression->predict([64]) // return 4.03 ```