前言

今天我們來做支持向量機的實作(文件)

資料準備

這次資料我們自己準備好帶有噪訊的資料，可直接複製貼上

除了使用最小二乘法求解，是否還有其他辦法呢？其實有的，如MLP就是一個不錯的方式。

資料準備

這次資料我們自己準備好帶有噪訊的資料，可直接複製貼上

支持向量機迴歸

Train

我們用非線性的方式來求解(為了不要擬合出一條線)

$regression = new SVR();

接下來我們就直接訓練支持向量機。

use Phpml\Regression\SVR;
use Phpml\SupportVectorMachine\Kernel;
$samples = [[60], [61], [62], [63], [65]];
$targets = [3.1, 3.6, 3.8, 4, 4.1];
$regression = new SVR(); 
$regression->train($samples, $targets);

predict

預測成果，可以評估看看他們與真實數值大差別。

$regression->predict([64])

結語

除了KNN﹑K-means﹑MLP分類外，也學了LeasetSquare與regression迴歸，接下來我們就做更加精細的操作，分享一些可以讓機器學習成果比較好的小技巧與這個文件有的內容。