PHPMachineLearning

PHPLEARN- php的機器學習庫

內容

• 安裝
• 特徵
• 文件
  • 準確性課
    • 分數
  • knelestneighbors
  • Nuralnetwork
  • 數據類
    • 虹膜
  • 距離類
    • 歐幾里得距離
  • 最少
  • 多個線性回歸
  • 二次回歸
  • 支持向量分類
  • 計時器類
• 執照
• 作者

安裝

phplearn需要php> = 7.0

要安裝phplearn，將phplearn目錄的內容下載到您的Web服務器中，並在所有PHP腳本中創建並將“ phplearn.php”文件包含在您的Web服務器中。

 include_once 'phpLearn.php';

特徵

• 分類
  • knelestneighbors
  • 支持向量分類
• 回歸
  • 最少
  • 多個線性回歸
  • 二次回歸
• Nural網絡
• 幫手課
  • 準確性課
    • 分數
  • 數據類
    • 虹膜數據集
  • 距離類
    • 歐幾里得距離
  • 計時器類

文件

knelestneighbors

實施腎小球算法算法的機器學習分類器。

構造函數

• $ K-最近的掃描鄰居數量
• $詳細
  • 正確 - 輸出預測標籤，信心百分比和運行時
  • 錯誤 - 輸出預測標籤

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

火車

訓練Nearestneighbors分類器提供火車樣品和標籤作為類型陣列。

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);

預測

為了預測標籤，請使用“預測”方法。

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

// return 'b'

支持向量分類

實施SVC算法的機器學習分類器。

構造函數

• $詳細
  • true-輸出預測標籤和運行時
  • 錯誤 - 輸出預測標籤

 $classifier = new SVC($verbose);

火車

訓練Nearestneighbors分類器提供火車樣品和標籤作為類型陣列。

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);

預測

為了預測標籤，請使用“預測”方法。

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

// return 'b'

最少

實現線性回歸方法的機器學習分類器。

構造函數

• $詳細
  • true-輸出預測標籤，Y截距和運行時
  • 錯誤 - 輸出預測標籤

 $classifier = new LeastSquares($verbose);

火車

要訓​​練最小值的Squares分類器，將火車樣品和標籤作為類型陣列提供。

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);

預測

為了預測標籤，請使用“預測”方法。

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

// return 4.06

多個線性回歸

實現多個線性回歸的機器學習分類器。

構造函數

• $詳細
  • true-輸出預測標籤，Y截距和運行時
  • 錯誤 - 輸出預測標籤

 $classifier = new MultipleLinearRegression($verbose);

火車

要訓​​練多個線性回歸分類器，將火車樣品和標籤作為類型陣列提供。

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);

預測

為了預測標籤，請使用“預測”方法。

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

// return 4094.83

二次回歸

實現麥克數回歸的機器學習分類器。

構造函數

• $詳細
  • true-輸出預測標籤，Y截距和運行時
  • 錯誤 - 輸出預測標籤

 $classifier = new MultipleLinearRegression($verbose);

火車

訓練二次回歸分類器提供火車樣品和標籤作為類型陣列。

例子：

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

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

預測

為了預測標籤，請使用“預測”方法。

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

// return 7.39

準確性

幫助您輕鬆計算預測數據的準確性。

分數

為了預測分數提供標籤，並將標籤預測為類型陣列。

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

return 0.666

數據

輔助課程可讓您輕鬆地將培訓數據分解為陣列。

虹膜

設置與樣品和標籤的關聯陣列。

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

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

距離

輔助類讓您輕鬆獲得兩個數據點之間的距離。

歐幾里得

在兩個分之間獲得歐幾里得的距離

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

//return 156.76166623253

計時器

輔助課程可讓您輕鬆獲取腳本的運行時。

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

//return 0.00000000546

執照

Phplearn根據MIT許可發布。

作者

Jehan Wadia（@Jwadia）