PHPMachineLearning
1.0.0
PHPLEARN은 PHP> = 7.0을 필요로합니다
phplearn을 설치하려면 phplearn 디렉토리의 내용을 웹 서버에 다운로드하고 모든 PHP 스크립트에 'phplearn.php'파일을 작성하고 포함시킵니다.
include_once 'phpLearn.php';
Knaresteighbors 알고리즘을 구현하는 기계 학습 분류기.
$classifier = new KNearestNeighbors($k, $verbose);
Knaresteighbors 분류기를 훈련시키기 위해 열차 샘플과 레이블을 유형 배열로 제공합니다.
예:
$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);
레이블을 예측하려면 '예측'메소드를 사용하십시오.
$data = $classifier->predict([3, 2]);
// return 'b'
SVC 알고리즘을 구현하는 머신 러닝 분류기.
$classifier = new SVC($verbose);
Knaresteighbors 분류기를 훈련시키기 위해 열차 샘플과 레이블을 유형 배열로 제공합니다.
예:
$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);
레이블을 예측하려면 '예측'메소드를 사용하십시오.
$data = $classifier->predict([0,1.2]);
// return 'b'
선형 회귀의 Leastsquares 방법을 구현하는 머신 러닝 분류기.
$classifier = new LeastSquares($verbose);
Leastsquares Classifier를 훈련시키기 위해 열차 샘플과 레이블을 유형 배열로 제공합니다.
예:
$samples = [[60], [61], [62], [63], [65]];
$targets = [3.1, 3.6, 3.8, 4, 4.1];
$classifier = new LeastSquares(true);
$classifier->train($samples, $targets);
레이블을 예측하려면 '예측'메소드를 사용하십시오.
$data = $classifier->predict(64);
// return 4.06
다중 선형 회귀를 구현하는 머신 러닝 분류기.
$classifier = new MultipleLinearRegression($verbose);
다중 선형 회귀 분류기를 훈련시키기 위해 열차 샘플과 레이블을 유형 배열로 제공합니다.
예:
$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);
레이블을 예측하려면 '예측'메소드를 사용하십시오.
$data = $classifier->predict([60000, 1996]);
// return 4094.83
mquadratic 회귀를 구현하는 기계 학습 분류기.
$classifier = new MultipleLinearRegression($verbose);
2 차 회귀 분류기를 훈련시키기 위해 열차 샘플과 레이블을 유형 배열로 제공합니다.
예:
$samples = [[3], [6], [10], [5], [2]];
$targets = [2,5,7,9,12];
$classifier = new QuadraticRegression(true);
$classifier->train($samples, $targets);
레이블을 예측하려면 '예측'메소드를 사용하십시오.
$data = $classifier->predict(8);
// return 7.39
도우미 클래스를 사용하면 예측 된 데이터의 정확도를 쉽게 계산할 수 있습니다.
점수를 예측하기 위해 레이블과 예측 된 레이블을 유형 배열로 제공합니다.
$accuracy = new Accuracy();
$accuracy->score(['a', 'b', 'a'], ['a', 'a', 'a']);
return 0.666
도우미 클래스로 데이터를 배열로 쉽게 구문 분석 할 수 있습니다.
샘플 및 레이블과 연관 배열을 설정합니다.
$iris = new Data();
$data = $iris->iris();
$samples = $data['samples'];
$labels = $data['labels'];
도우미 클래스를 사용하면 두 데이터 포인트 사이의 거리를 쉽게 얻을 수 있습니다.
두 지점 사이에서 유클리드 거리를 얻습니다
$classifier = new distance();
$classifier->euclidean([5.1, 3.5, 1.4, 0.2], [55, 5, 150, 0.2]);
//return 156.76166623253
도우미 클래스로 스크립트의 런타임을 쉽게 얻을 수 있습니다.
$timer = new timer();
$timer->start();
$timer->finish();
$timer->runtime();
//return 0.00000000546
PHPLEARN은 MIT 라이센스에 따라 릴리스됩니다.
Jehan Wadia (@jwadia)
