PHPMachineLearning

PHPLEARN- php的机器学习库

内容

• 安装
• 特征
• 文档
  • 准确性课
    • 分数
  • knelestneighbors
  • Nuralnetwork
  • 数据类
    • 虹膜
  • 距离类
    • 欧几里得距离
  • 最少
  • 多个线性回归
  • 二次回归
  • 支持向量分类
  • 计时器类
• 执照
• 作者

安装

phplearn需要php> = 7.0

要安装phplearn，将phplearn目录的内容下载到您的Web服务器中，并在所有PHP脚本中创建并将“ phplearn.php”文件包含在您的Web服务器中。

 include_once 'phpLearn.php';

特征

• 分类
  • knelestneighbors
  • 支持向量分类
• 回归
  • 最少
  • 多个线性回归
  • 二次回归
• Nural网络
• 帮手课
  • 准确性课
    • 分数
  • 数据类
    • 虹膜数据集
  • 距离类
    • 欧几里得距离
  • 计时器类

文档

knelestneighbors

实施肾小球算法算法的机器学习分类器。

构造函数

• $ K-最近的扫描邻居数量
• $详细
  • 正确 - 输出预测标签，信心百分比和运行时
  • 错误 - 输出预测标签

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

火车

训练Nearestneighbors分类器提供火车样品和标签作为类型阵列。

例子：

 $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);

预测

为了预测标签，请使用“预测”方法。

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

// return 'b'

支持向量分类

实施SVC算法的机器学习分类器。

构造函数

• $详细
  • true-输出预测标签和运行时
  • 错误 - 输出预测标签

 $classifier = new SVC($verbose);

火车

训练Nearestneighbors分类器提供火车样品和标签作为类型阵列。

例子：

 $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);

预测

为了预测标签，请使用“预测”方法。

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

// return 'b'

最少

实现线性回归方法的机器学习分类器。

构造函数

• $详细
  • true-输出预测标签，Y截距和运行时
  • 错误 - 输出预测标签

 $classifier = new LeastSquares($verbose);

火车

要训​​练最小值的Squares分类器，将火车样品和标签作为类型阵列提供。

例子：

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

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

预测

为了预测标签，请使用“预测”方法。

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

// return 4.06

多个线性回归

实现多个线性回归的机器学习分类器。

构造函数

• $详细
  • true-输出预测标签，Y截距和运行时
  • 错误 - 输出预测标签

 $classifier = new MultipleLinearRegression($verbose);

火车

要训​​练多个线性回归分类器，将火车样品和标签作为类型阵列提供。

例子：

 $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);

预测

为了预测标签，请使用“预测”方法。

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

// return 4094.83

二次回归

实现麦克数回归的机器学习分类器。

构造函数

• $详细
  • true-输出预测标签，Y截距和运行时
  • 错误 - 输出预测标签

 $classifier = new MultipleLinearRegression($verbose);

火车

训练二次回归分类器提供火车样品和标签作为类型阵列。

例子：

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

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

预测

为了预测标签，请使用“预测”方法。

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

// return 7.39

准确性

帮助您轻松计算预测数据的准确性。

分数

为了预测分数提供标签，并将标签预测为类型阵列。

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

return 0.666

数据

辅助课程可让您轻松地将培训数据分解为阵列。

虹膜

设置与样品和标签的关联阵列。

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

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

距离

辅助类让您轻松获得两个数据点之间的距离。

欧几里得

在两个分之间获得欧几里得的距离

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

//return 156.76166623253

计时器

辅助课程可让您轻松获取脚本的运行时。

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

//return 0.00000000546

执照

Phplearn根据MIT许可发布。

作者

Jehan Wadia（@Jwadia）