PHPMachineLearning
1.0.0
phplearn ต้องการ php> = 7.0
ในการติดตั้ง phplearn ดาวน์โหลดเนื้อหาของไดเรกทอรี phlearn ลงในเว็บเซิร์ฟเวอร์ของคุณและสร้างและรวมไฟล์ 'phplearn.php' ในสคริปต์ PHP ทั้งหมดของคุณ
include_once 'phpLearn.php';
เครื่องแยกประเภทการเรียนรู้ของเครื่องใช้อัลกอริทึม Knearestneighbors
$classifier = new KNearestNeighbors($k, $verbose);
ในการฝึกอบรมตัวจําแนกของ Knearestneighbors ให้ตัวอย่างรถไฟและฉลากเป็นอาร์เรย์ประเภท
ตัวอย่าง:
$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);
ในการทำนายฉลากใช้วิธี 'ทำนาย'
$data = $classifier->predict([3, 2]);
// return 'b'
เครื่องแยกประเภทการเรียนรู้ของเครื่องใช้อัลกอริทึม SVC
$classifier = new SVC($verbose);
ในการฝึกอบรมตัวจําแนกของ Knearestneighbors ให้ตัวอย่างรถไฟและฉลากเป็นอาร์เรย์ประเภท
ตัวอย่าง:
$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);
ในการทำนายฉลากใช้วิธี 'ทำนาย'
$data = $classifier->predict([0,1.2]);
// return 'b'
เครื่องแยกประเภทการเรียนรู้ของเครื่องใช้วิธีการถดถอยเชิงเส้นน้อยที่สุด
$classifier = new LeastSquares($verbose);
ในการฝึกอบรมตัวจําแนกน้อยที่สุดให้ตัวอย่างรถไฟและฉลากเป็นอาร์เรย์ประเภท
ตัวอย่าง:
$samples = [[60], [61], [62], [63], [65]];
$targets = [3.1, 3.6, 3.8, 4, 4.1];
$classifier = new LeastSquares(true);
$classifier->train($samples, $targets);
ในการทำนายฉลากใช้วิธี 'ทำนาย'
$data = $classifier->predict(64);
// return 4.06
เครื่องแยกประเภทการเรียนรู้ของเครื่องใช้การถดถอยเชิงเส้นหลายครั้ง
$classifier = new MultipleLinearRegression($verbose);
ในการฝึกอบรมตัวแยกประเภทการถดถอยเชิงเส้นหลายตัวให้ตัวอย่างรถไฟและฉลากเป็นอาร์เรย์ประเภท
ตัวอย่าง:
$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);
ในการทำนายฉลากใช้วิธี 'ทำนาย'
$data = $classifier->predict([60000, 1996]);
// return 4094.83
เครื่องแยกประเภทการเรียนรู้ของเครื่องใช้การถดถอย Mquadratic
$classifier = new MultipleLinearRegression($verbose);
ในการฝึกอบรมตัวจําแนกการถดถอยกำลังสองให้ตัวอย่างรถไฟและฉลากเป็นอาร์เรย์ประเภท
ตัวอย่าง:
$samples = [[3], [6], [10], [5], [2]];
$targets = [2,5,7,9,12];
$classifier = new QuadraticRegression(true);
$classifier->train($samples, $targets);
ในการทำนายฉลากใช้วิธี 'ทำนาย'
$data = $classifier->predict(8);
// return 7.39
คลาสผู้ช่วยให้คุณคำนวณความถูกต้องของข้อมูลที่คาดการณ์ได้อย่างง่ายดาย
ในการทำนายคะแนนให้ฉลากและฉลากที่คาดการณ์ไว้เป็นอาร์เรย์ประเภท
$accuracy = new Accuracy();
$accuracy->score(['a', 'b', 'a'], ['a', 'a', 'a']);
return 0.666
ชั้นเรียนช่วยให้คุณแยกวิเคราะห์ข้อมูลการฝึกอบรมเป็นอาร์เรย์ได้อย่างง่ายดาย
ตั้งค่าอาร์เรย์เชื่อมโยงกับตัวอย่างและฉลาก
$iris = new Data();
$data = $iris->iris();
$samples = $data['samples'];
$labels = $data['labels'];
คลาสผู้ช่วยให้คุณได้ระยะห่างระหว่างจุดข้อมูลสองจุดได้อย่างง่ายดาย
รับระยะห่างระหว่างยุคลิดระหว่างสองจุด
$classifier = new distance();
$classifier->euclidean([5.1, 3.5, 1.4, 0.2], [55, 5, 150, 0.2]);
//return 156.76166623253
คลาสผู้ช่วยให้คุณได้รับรันไทม์ของสคริปต์ได้อย่างง่ายดาย
$timer = new timer();
$timer->start();
$timer->finish();
$timer->runtime();
//return 0.00000000546
Phplearn เปิดตัวภายใต้ใบอนุญาต MIT
Jehan Wadia (@jwadia)
