La classe SVMModel
(PECL svm >= 0.1.0)
Introduction
SVMModel est le résultat final du processus d'entraînement. Il peut être utilisé pour classifier les données non vues précédentes.
Synopsis de la classe
Sommaire
- SVMModel::checkProbabilityModel — Retourne TRUE si le modèle a des informations probablistes
- SVMModel::__construct — Construit un nouvel objet SVMModel
- SVMModel::getLabels — Récupère les labels utilisés pour entraîner le modèle
- SVMModel::getNrClass — Retourne le nombre de classes utilisées pour entraîner le modèle
- SVMModel::getSvmType — Récupère le type SVM utilisé pour entraîner le modèle
- SVMModel::getSvrProbability — Récupère la valeur sigma pour les types de régression
- SVMModel::load — Charge un modèle SVM sauvegardé
- SVMModel::predict_probability — Retourne les probabilités pour les données précédentes non présentées
- SVMModel::predict — Prédit une valeur pour des précédentes données non vues
- SVMModel::save — Sauvegarde un modèle dans un fichier
Version en cache
24/12/2024 01:10:34 Cette version de la page est en cache (à la date du 24/12/2024 01:10:34) afin d'accélérer le traitement. Vous pouvez activer le mode utilisateur dans le menu en haut pour afficher la dernère version de la page.Document créé le 30/01/2003, dernière modification le 26/10/2018
Source du document imprimé : https://www.gaudry.be/php-rf-class.svmmodel.html
L'infobrol est un site personnel dont le contenu n'engage que moi. Le texte est mis à disposition sous licence CreativeCommons(BY-NC-SA). Plus d'info sur les conditions d'utilisation et sur l'auteur.
Références
Ces références et liens indiquent des documents consultés lors de la rédaction de cette page, ou qui peuvent apporter un complément d'information, mais les auteurs de ces sources ne peuvent être tenus responsables du contenu de cette page.
L'auteur de ce site est seul responsable de la manière dont sont présentés ici les différents concepts, et des libertés qui sont prises avec les ouvrages de référence. N'oubliez pas que vous devez croiser les informations de sources multiples afin de diminuer les risques d'erreurs.