PHPMachineLearning

Phlearn - Perpustakaan Pembelajaran Mesin untuk PHP

Isi

• Instalasi
• Fitur
• Dokumentasi
  • Kelas Akurasi
    • Skor
  • Knearestneighbors
  • Nuralnetwork
  • Kelas Data
    • Iris
  • Kelas jarak
    • Jarak Euclidean
  • Kotoran terkecil
  • Beberapa regresi linier
  • Regresi kuadratik
  • Mendukung klasifikasi vektor
  • Kelas Timer
• Lisensi
• Pengarang

Instalasi

PhPlearn membutuhkan php> = 7.0

Untuk menginstal phplearn unduh konten direktori phplearn ke server web Anda dan buat dan sertakan file 'phlearn.php' di semua skrip php Anda.

 include_once 'phpLearn.php';

Fitur

• Klasifikasi
  • Knearestneighbors
  • Mendukung klasifikasi vektor
• Regresi
  • Kotoran terkecil
  • Beberapa regresi linier
  • Regresi kuadratik
• Jaringan Nural
• Kelas penolong
  • Kelas Akurasi
    • Skor
  • Kelas Data
    • Dataset Iris
  • Kelas jarak
    • Jarak Euclidean
  • Kelas Timer

Dokumentasi

Knearestneighbors

Klasifikasi pembelajaran mesin yang menerapkan algoritma Knearestneighbors.

Konstruktor

• $ K - Jumlah tetangga terdekat untuk dipindai
• $ verbose
  • Benar - output label yang diprediksi, persen kepercayaan, dan runtime
  • false - output label prediksi

 $classifier = new KNearestNeighbors($k, $verbose);

Kereta

Untuk melatih knearestneighbors classifier memberikan sampel kereta dan label sebagai tipe array.

Contoh:

 $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);

Meramalkan

Untuk memprediksi label, gunakan metode 'prediksi'.

 $data = $classifier->predict([3, 2]);

// return 'b'

Mendukung klasifikasi vektor

Klasifikasi pembelajaran mesin yang menerapkan algoritma SVC.

Konstruktor

• $ verbose
  • Benar - output label yang diprediksi, dan runtime
  • false - output label prediksi

 $classifier = new SVC($verbose);

Kereta

Untuk melatih knearestneighbors classifier memberikan sampel kereta dan label sebagai tipe array.

Contoh:

 $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);

Meramalkan

Untuk memprediksi label, gunakan metode 'prediksi'.

 $data = $classifier->predict([0,1.2]);

// return 'b'

Kotoran terkecil

Klasifikasi pembelajaran mesin yang menerapkan metode regresi linier yang paling tidak.

Konstruktor

• $ verbose
  • Benar - output label yang diprediksi, y -intersep, dan runtime
  • false - output label prediksi

 $classifier = new LeastSquares($verbose);

Kereta

Untuk melatih classifier paling sedikit menyediakan sampel kereta api dan label sebagai tipe array.

Contoh:

 $samples = [[60], [61], [62], [63], [65]];
$targets = [3.1, 3.6, 3.8, 4, 4.1];

$classifier = new LeastSquares(true);
$classifier->train($samples, $targets);

Meramalkan

Untuk memprediksi label, gunakan metode 'prediksi'.

 $data = $classifier->predict(64);

// return 4.06

Beberapa regresi linier

Klasifikasi pembelajaran mesin yang menerapkan beberapa regresi linier.

Konstruktor

• $ verbose
  • Benar - output label yang diprediksi, y -intersep, dan runtime
  • false - output label prediksi

 $classifier = new MultipleLinearRegression($verbose);

Kereta

Untuk melatih beberapa pengklasifikasi regresi linier memberikan sampel kereta api dan label sebagai tipe array.

Contoh:

 $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);

Meramalkan

Untuk memprediksi label, gunakan metode 'prediksi'.

 $data = $classifier->predict([60000, 1996]);

// return 4094.83

Regresi kuadratik

Klasifikasi pembelajaran mesin yang menerapkan regresi mquadratic.

Konstruktor

• $ verbose
  • Benar - output label yang diprediksi, y -intersep, dan runtime
  • false - output label prediksi

 $classifier = new MultipleLinearRegression($verbose);

Kereta

Untuk melatih classifier regresi kuadratik memberikan sampel kereta dan label sebagai tipe array.

Contoh:

 $samples = [[3], [6], [10], [5], [2]];
$targets = [2,5,7,9,12];

$classifier = new QuadraticRegression(true);
$classifier->train($samples, $targets);

Meramalkan

Untuk memprediksi label, gunakan metode 'prediksi'.

 $data = $classifier->predict(8);

// return 7.39

Ketepatan

Kelas helper yang memungkinkan Anda dengan mudah menghitung keakuratan data yang diprediksi.

Skor

Untuk memprediksi skor memberikan label dan prediksi label sebagai tipe array.

 $accuracy = new Accuracy();
$accuracy->score(['a', 'b', 'a'], ['a', 'a', 'a']);

return 0.666

Data

Kelas pembantu yang memungkinkan Anda dengan mudah menguraikan data pelatihan ke dalam array.

Iris

Menetapkan array asosiatif dengan sampel dan label.

 $iris = new Data();
$data = $iris->iris();

$samples = $data['samples'];
$labels = $data['labels'];

Jarak

Kelas helper yang memungkinkan Anda dengan mudah mendapatkan jarak antara dua titik data.

Euclidean

Mendapat jarak Euclidean antara dua titik

 $classifier = new distance();
$classifier->euclidean([5.1, 3.5, 1.4, 0.2], [55, 5, 150, 0.2]);

//return 156.76166623253

Timer

Kelas penolong yang memungkinkan Anda dengan mudah mendapatkan runtime dari sebuah skrip.

 $timer = new timer();
$timer->start();
$timer->finish();
$timer->runtime();

//return 0.00000000546

Lisensi

Phlearn dirilis di bawah lisensi MIT.

Pengarang

Jehan Wadia (@jwadia)