PHPMachineLearning
1.0.0
PHPlearn benötigt Php> = 7.0
So installieren Sie PhPlearn den Inhalt des PHPlearn -Verzeichnisses in Ihren Webserver und erstellen Sie die Datei "PHPlearn.php" in alle Ihre PHP -Skripte.
include_once 'phpLearn.php';
Ein Klassifizierer für maschinelles Lernen, der den KnalestNeighbors -Algorithmus implementiert.
$classifier = new KNearestNeighbors($k, $verbose);
Um den KnalestNeighbors -Klassifikator zu trainieren, stellen Sie Zugproben und -bezeichnungen als Typ -Array an.
Beispiel:
$samples = [[1, 3], [1, 4], [2, 4], [3, 1], [4, 1], [4, 2]];
$targets = ['a', 'a', 'a', 'b', 'b', 'b'];
$classifier = new KNearestNeighbors(3, false);
$classifier->train($samples, $targets);
Um eine Etikett zu prognostizieren, verwenden Sie die Methode "Vorhersage".
$data = $classifier->predict([3, 2]);
// return 'b'
Ein Klassifikator für maschinelles Lernen, der den SVC -Algorithmus implementiert.
$classifier = new SVC($verbose);
Um den KnalestNeighbors -Klassifikator zu trainieren, stellen Sie Zugproben und -bezeichnungen als Typ -Array an.
Beispiel:
$samples = [[1, 3], [1, 4], [2, 4], [3, 1], [4, 2], [4, 2]];
$targets = ['a', 'a', 'a', 'b', 'b', 'b'];
$classifier = new SVC(true);
$classifier->train($samples, $targets);
Um eine Etikett zu prognostizieren, verwenden Sie die Methode "Vorhersage".
$data = $classifier->predict([0,1.2]);
// return 'b'
Ein Klassifizierer für maschinelles Lernen, der die Methode zur linearen Regression der kleinsten Quellen implementiert.
$classifier = new LeastSquares($verbose);
So trainieren Sie den Klassifikator mit den geringsten Quellen, die Zugproben und -bezeichnungen als Typ -Array bereitstellen.
Beispiel:
$samples = [[60], [61], [62], [63], [65]];
$targets = [3.1, 3.6, 3.8, 4, 4.1];
$classifier = new LeastSquares(true);
$classifier->train($samples, $targets);
Um eine Etikett zu prognostizieren, verwenden Sie die Methode "Vorhersage".
$data = $classifier->predict(64);
// return 4.06
Ein Klassifizierer für maschinelles Lernen, der mehrere lineare Regression implementiert.
$classifier = new MultipleLinearRegression($verbose);
Um den mehrfachen linearen Regressionsklassifikator zu trainieren, liefern Sie Zugproben und -bezeichnungen als Typ -Array.
Beispiel:
$samples = [[73676, 1996], [77006, 1998], [10565, 2000], [146088, 1995], [15000, 2001], [65940, 2000], [9300, 2000], [93739, 1996], [153260, 1994], [17764, 2002], [57000, 1998], [15000, 2000]];
$targets = [2000, 2750, 15500, 960, 4400, 8800, 7100, 2550, 1025, 5900, 4600, 4400];
$classifier = new MultipleLinearRegression(true);
$classifier->train($samples, $targets);
Um eine Etikett zu prognostizieren, verwenden Sie die Methode "Vorhersage".
$data = $classifier->predict([60000, 1996]);
// return 4094.83
Ein Klassifikator für maschinelles Lernen, der die mquadratische Regression implementiert.
$classifier = new MultipleLinearRegression($verbose);
Um den quadratischen Regressionsklassifikator zu trainieren, liefern Sie Zugproben und -bezeichnungen als Typ -Array.
Beispiel:
$samples = [[3], [6], [10], [5], [2]];
$targets = [2,5,7,9,12];
$classifier = new QuadraticRegression(true);
$classifier->train($samples, $targets);
Um eine Etikett zu prognostizieren, verwenden Sie die Methode "Vorhersage".
$data = $classifier->predict(8);
// return 7.39
Eine Helferklasse, die Sie leicht die Genauigkeit der vorhergesagten Daten berechnen können.
Um eine Punktzahl vorherzusagen, liefern Etiketten und vorhergesagte Etiketten als Typ -Array.
$accuracy = new Accuracy();
$accuracy->score(['a', 'b', 'a'], ['a', 'a', 'a']);
return 0.666
Eine Helferklasse, in der Sie die Schulungsdaten leicht in Arrays analysieren können.
Legt ein assoziatives Array mit den Proben und Etiketten fest.
$iris = new Data();
$data = $iris->iris();
$samples = $data['samples'];
$labels = $data['labels'];
Eine Helferklasse, in der Sie leicht den Abstand zwischen zwei Datenpunkten erhalten.
Erhält den euklidischen Abstand zwischen zwei Punkten
$classifier = new distance();
$classifier->euclidean([5.1, 3.5, 1.4, 0.2], [55, 5, 150, 0.2]);
//return 156.76166623253
Eine Helferklasse, die Sie leicht die Laufzeit eines Skripts erhalten lässt.
$timer = new timer();
$timer->start();
$timer->finish();
$timer->runtime();
//return 0.00000000546
Phplearn wird unter der MIT -Lizenz veröffentlicht.
Jehan Wadia (@jwadia)
