SVMModel::predict_probability
(PECL svm >= 0.1.4)
SVMModel::predict_probability — Retourne les probabilités pour les données précédentes non présentées
Description
$data
) : float
Cette fonction accepte une tableau de données et tente de prédire la classe,
comme avec les fonctions de prédiction. De plus, cependant, cette fonction retourne
un tableau de probabilités, une par classe du modèle, qui représente
la chanse estimée que les données fournies soient un membre de cette classe.
Nécessite que le modèle à utiliser soit traité avec le paramètre de probabilité
fixé à TRUE
.
Liste de paramètres
-
data
-
Le tableau à classifier. Ce doit être une série de paires clé=>valeur dont les clés sont en ordre croissant, mais pas nécessairement continue.
-
probabilities
-
La valeur fournie sera complétée avec les probabilités. Ce peut être soit
NULL
dans le cas où le modèle ne contient aucune information de probabiblité, ou un tableau dont les index sont les noms de classe, et les valeurs, la probabilité.
Valeurs de retour
Retourne la valeur prédie. Ce sera un libel de classe dans le cas d'une classification, une valeur réelle dans le cas d'une régression. Lance une exception de type SVMException si une erreur survient.
Document créé le 30/01/2003, dernière modification le 26/10/2018
Source du document imprimé : https://www.gaudry.be/php-rf-svmmodel.predict-probability.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.