支持向量机（SVM）库节点.

维基百科以下为：

支持向量机是分析数据和识别模式的有监督学习模型。一个特殊的性质是，它们同时最小化经验分类误差和最大化几何余量；因此，它们也被称为最大边缘分类器。

npm安装--保存节点-svm

如果你不熟悉SVM，我强烈推荐指导.

下面是一个使用节点支持向量机近似XOR函数：

无功功率，无功功率 支持向量机 = 要求(“节点支持向量机”);

无功功率，无功功率 异或 = [
    [[0, 0], 0],
    [[0, 1], 1],
    [[1, 0], 1],
    [[1, 1], 0]
];

//初始化新的预测器
无功功率，无功功率 clf公司 = 新的 支持向量机.CSVC公司();

clf公司.火车(异或).完成(功能 () {
    //预测事物
    异或.对于每个(功能(前任){
        无功功率，无功功率 预测 = clf公司.预测同步(前任[0]);
        慰问.日志(“%d XOR%d=>%d”, 前任[0][0], 前任[0][1], 预测);
    });
});

/********控制台********
0异或0=>0
0“异或”1=>1
1“异或”0=>1
1或1=>0
*/

更多示例可用在这里.

注释：没有理由使用SVM计算XOR BTW。。。

可能的分类器包括：

可能的内核有：

可能的参数/选项包括：

下面的示例显示了如何使用它们：

无功功率，无功功率 支持向量机 = 要求(“节点支持向量机”);

无功功率，无功功率 clf公司 = 新的 支持向量机.支持向量机({
    svm类型以下为：“C_SVC”,
    c（c）以下为：[0.03125, 0.125, 0.5, 2, 8], 
    
    //核参数
    内核类型以下为：“径向基函数”,  
    伽马射线以下为：[0.03125, 0.125, 0.5, 2, 8],
    
    //培训选项
    千倍以下为：4,               
    使正常化以下为：真的,        
    减少以下为：真的,           
    保留的差异以下为：0.99, 
    每股收益以下为：1e-3号机组,              
    缓存大小以下为：200,               
    收缩以下为：真的,     
    可能性以下为：假     
});

笔记以下为：

• 您可以通过创建.nodesvmrc文件文件（JSON）。
• 如果至少一个参数有多个值，节点支持向量机将检查所有可能的组合，以查看哪一个组合的结果最好（它执行网格搜索以最大化f分数用于分类和最小化均方误差用于回归）。

##培训

SVM可以使用svm#训练（数据集）方法。

伪代码：

无功功率，无功功率 clf公司 = 新的 支持向量机.支持向量机(选项);

clf公司
.火车(数据集)
.进步(功能(率){
    // ...
})
.传播(功能(训练模型, 培训报告){
    // ...
});

笔记以下为：

• 训练模型稍后可用于恢复预测器（请参阅这个例子更多信息）。
• 培训报告包含有关预测器准确性的信息（如MSE、precison、recall、fscore、retained variance等）

经过训练后，可以使用分类器对象预测新输入的值。您可以这样做：

• 同步使用clf#predictSync（输入）
• 异步使用clf#predict（inputs）.then（function（predicted）{…}）；

如果在初始化期间启用了概率您还可以预测每个类的概率：

• 同步使用clf#预测概率同步（输入）.
• 异步使用clf#预测概率（输入）.then（函数（概率）{…}）.

注释以下为：输入必须是1d数字数组

一旦预测器经过训练，就可以根据测试集对其进行评估。

伪代码：

无功功率，无功功率 支持向量机 = 要求(“节点支持向量机”);
无功功率，无功功率 clf公司 = 新的 支持向量机.支持向量机(选项);
 
支持向量机.阅读(列车文件)
.然后(功能(数据集){
    返回 clf公司.火车(数据集);
})
.然后(功能(训练模型, 培训报告){
     返回 支持向量机.阅读(测试文件);
})
.然后(功能(测试集){
    返回 clf公司.评价(测试集);
})
.完成(功能(报告){
    慰问.日志(报告);
});

节点支持向量机附带一个内置的命令行解释器。

要使用它，您必须安装节点支持向量机全局使用npm安装-g节点-svm.

请参见$node-svm-h以获取完整的命令行参考。

$node-svm帮助[<命令>]

显示有关的帮助信息节点支持向量机

$node-svm训练<数据集文件>[<在哪里保存预测模型>] [<选项>]

使用给定的数据集训练新模型

注释：使用$node-svm序列<数据集文件>-i动态设置参数值。

$node-svm评估<模型文件> <测试集文件>[<选项>]

根据测试集评估模型的准确性

节点支持向量机使用官方libsvm C++库3.20版。

有关更多信息，请参阅：

• libsvm网站
• Chih-Chung Chang和Chih-Jen Lin，LIBSVM：支持向量机库。ACM智能系统与技术汇刊，2:27:1--27:272011年。
• 关于SVM的维基百科文章
• 节点加载项

随意选择并改进/增强节点支持向量机以你想要的任何方式。

如果您认为社区将从您的更改中受益，请发送拉取请求：

• 为项目分叉。
• 添加功能或修复错误。
• 必要时添加文档。
• 为它添加测试。这很重要，所以我不会在将来的版本中无意中破坏它（运行咕哝或npm测试).
• 向发送拉取请求发展分支。

#常见问题###分段故障问：节点在训练期间返回“分段错误”错误。发生什么事？

A1：您的数据集为空或其格式不正确。

A2：你的数据集太大了。

###nu-SVC和C-SVC之间的差异问：nu-SVC和C-SVC有什么区别？

答：在此处回答

###其他问题

• 看一看libsvm常见问题.
• 创建一个问题

麻省理工学院