PHPMachineLearning
1.0.0
Phplearn requer php> = 7.0
Para instalar o PHPLEARN, faça o download do conteúdo do diretório PhPLEARN no seu servidor da web e crie e inclua o arquivo 'phplearn.php' em todos os seus scripts PHP.
include_once 'phpLearn.php';
Um classificador de aprendizado de máquina implementando o algoritmo Knearestneighbors.
$classifier = new KNearestNeighbors($k, $verbose);
Para treinar o classificador Knearestneighbors, forneça amostras e etiquetas de trem como matriz de tipos.
Exemplo:
$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);
Para prever um rótulo, use o método 'prevision'.
$data = $classifier->predict([3, 2]);
// return 'b'
Um classificador de aprendizado de máquina implementando o algoritmo SVC.
$classifier = new SVC($verbose);
Para treinar o classificador Knearestneighbors, forneça amostras e etiquetas de trem como matriz de tipos.
Exemplo:
$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);
Para prever um rótulo, use o método 'prevision'.
$data = $classifier->predict([0,1.2]);
// return 'b'
Um classificador de aprendizado de máquina que implementa o método de regressão linear mínimoscares.
$classifier = new LeastSquares($verbose);
Para treinar, o classificador mínimos de quadros fornece amostras e etiquetas de trem como matriz de tipos.
Exemplo:
$samples = [[60], [61], [62], [63], [65]];
$targets = [3.1, 3.6, 3.8, 4, 4.1];
$classifier = new LeastSquares(true);
$classifier->train($samples, $targets);
Para prever um rótulo, use o método 'prevision'.
$data = $classifier->predict(64);
// return 4.06
Um classificador de aprendizado de máquina implementando regressão linear múltipla.
$classifier = new MultipleLinearRegression($verbose);
Para treinar o classificador de regressão linear múltipla, forneça amostras e etiquetas de trem como matriz de tipos.
Exemplo:
$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);
Para prever um rótulo, use o método 'prevision'.
$data = $classifier->predict([60000, 1996]);
// return 4094.83
Um classificador de aprendizado de máquina que implementa a regressão mquadrática.
$classifier = new MultipleLinearRegression($verbose);
Para treinar o classificador de regressão quadrática, forneça amostras e etiquetas de trem como matriz de tipos.
Exemplo:
$samples = [[3], [6], [10], [5], [2]];
$targets = [2,5,7,9,12];
$classifier = new QuadraticRegression(true);
$classifier->train($samples, $targets);
Para prever um rótulo, use o método 'prevision'.
$data = $classifier->predict(8);
// return 7.39
Uma classe auxiliar, permitindo calcular facilmente a precisão dos dados previstos.
Para prever uma pontuação, fornece rótulos e rótulos previstos como matriz de tipos.
$accuracy = new Accuracy();
$accuracy->score(['a', 'b', 'a'], ['a', 'a', 'a']);
return 0.666
Uma classe auxiliar, permitindo que você analise facilmente dados de treinamento em matrizes.
Define uma matriz associativa com as amostras e rótulos.
$iris = new Data();
$data = $iris->iris();
$samples = $data['samples'];
$labels = $data['labels'];
Uma classe auxiliar, permitindo que você obtenha a distância facilmente entre dois pontos de dados.
Recebe a distância euclidiana entre dois pontos
$classifier = new distance();
$classifier->euclidean([5.1, 3.5, 1.4, 0.2], [55, 5, 150, 0.2]);
//return 156.76166623253
Uma classe auxiliar, permitindo que você obtenha facilmente o tempo de execução de um script.
$timer = new timer();
$timer->start();
$timer->finish();
$timer->runtime();
//return 0.00000000546
O PHPLEARN é liberado sob a licença do MIT.
Jehan Wadia (@jwadia)
