À mesure que les applications de l'apprentissage automatique augmenteront progressivement à l'avenir, la demande des développeurs en matière d'apprentissage automatique augmentera également progressivement. PHP étant un langage de programmation largement utilisé, de nombreux développeurs se demandent comment faire du machine learning en PHP. Cet article couvrira les bases et les directives pour la mise en œuvre de l'apprentissage automatique en PHP.
Tout d’abord, examinons les bases de l’apprentissage automatique. L'apprentissage automatique fait référence à l'utilisation d'algorithmes et de données pour permettre aux ordinateurs de simuler les capacités d'apprentissage humaines. Les tâches courantes d'apprentissage automatique incluent la classification, le clustering et la régression. La classification est la tâche de classer les objets en différentes catégories. Le clustering est le processus de découverte d'objets similaires. La régression consiste à prédire la valeur d'une variable.
L'apprentissage automatique nécessite de nombreuses compétences et connaissances de base, cet article suppose donc que vous possédez déjà des connaissances de base en apprentissage automatique. Passons maintenant à l’apprentissage automatique en PHP.
PHP ne dispose pas de bibliothèque d'apprentissage automatique native, mais vous pouvez toujours utiliser certaines bibliothèques d'apprentissage automatique open source, telles que Weka, TensorFlow et Scikit-learn. Ici, nous aborderons les façons de faire du machine learning à l’aide de la bibliothèque PHP-ML.
PHP-ML est une bibliothèque d'apprentissage automatique PHP open source avec de nombreux algorithmes d'apprentissage automatique et fonctions de prétraitement des données. Pour utiliser PHP-ML pour l'apprentissage automatique, vous devez l'installer avec Composer. Veuillez exécuter la commande suivante pour installer :
composer require php-ai/php-ml
Après l'installation, vous pouvez référencer PHP-ML dans votre code PHP :
require_once __DIR__ . '/vendor/autoload.php';
Voyons ensuite comment utiliser PHP-ML pour les tâches de classification. Supposons que nous ayons un fichier CSV contenant des variables et des étiquettes de catégorie. Nous souhaitons utiliser un algorithme de classification pour prédire l'étiquette de classe d'une variable donnée. Tout d'abord, nous devons charger les données du fichier CSV :
use PhpmlDatasetCsvDataset; $dataset = new CsvDataset('path/to/dataset.csv', $header = true);
Nous définissons la variable $dataset sur une nouvelle instance de CsvDataset et passons le chemin d'accès au fichier CSV en paramètre. Définir $header sur true spécifie que la première ligne est un fichier d'en-tête. Vous pouvez visualiser les données chargées en utilisant le code suivant :
print_r($dataset->getSamples()); print_r($dataset->getTargets());
Ensuite, nous utiliserons l'algorithme KNN pour entraîner le modèle et classer les nouvelles données. En PHP-ML, vous pouvez utiliser l'interface Estimator pour accéder à de nombreux algorithmes d'apprentissage automatique. Veuillez noter que l'interface Estimator fournit uniquement des fonctionnalités d'apprentissage. Pour faire des prédictions sur les données de test, vous devez utiliser la méthode makePrediction dans Predictor.
use PhpmlClassificationKNearestNeighbors; $classifier = new KNearestNeighbors($k = 3); $classifier->train($dataset->getSamples(), $dataset->getTargets()); $newSample = [5.7, 2.9, 4.2, 1.3]; echo $classifier->predict($newSample);
Ici, la variable $classifier est définie sur une instance de KNN. Après avoir entraîné le modèle, nous utiliserons la méthode de prévision pour classer de nouveaux échantillons. La sortie doit être la classe prédite de l’échantillon.
Vous pouvez utiliser de nombreux autres algorithmes dans Scikit-learn pour les tâches de classification. En PHP-ML, il existe de nombreuses autres fonctions de prétraitement des données, telles que la normalisation des données et l'extraction de fonctionnalités.
Contrairement aux tâches de classification, les tâches de régression consistent à prédire la valeur d'une variable. En PHP-ML, vous pouvez utiliser de nombreux algorithmes de régression tels que la régression linéaire, la régression KNN et la régression SVM.
Ici, nous présenterons l'utilisation de la régression linéaire pour prédire la valeur d'une variable continue. Nous utiliserons l'ensemble de données Boston Home Prices, qui contient de nombreuses variables et une variable continue.
use PhpmlDatasetCsvDataset; use PhpmlRegressionLeastSquares; $dataset = new CsvDataset(__DIR__.'/../examples/datasets/boston.csv', 14, true); $regression = new LeastSquares(); $regression->train($dataset->getSamples(), $dataset->getTargets()); $newSample = [0.02731,0.0,7.07,0,0.469,6.421,78.9,4.9671,2,242,17.8,396.9,9.14]; echo $regression->predict($newSample);
Ici, nous définissons la variable $dataset sur une nouvelle instance de CsvDataset et le nombre de colonnes dans le fichier CSV (14) comme deuxième paramètre. Définir $header sur true nous permet d'identifier les colonnes comme des entiers plutôt que des chaînes. Définissez $regression sur une nouvelle instance de LeastSquares, entraînez le modèle et prédisez de nouvelles étiquettes à l'aide de la méthode de prévision.
En bref, PHP-ML est une puissante bibliothèque d'apprentissage automatique PHP qui peut vous aider à implémenter de nombreuses tâches d'apprentissage automatique en PHP. Bien que PHP ne soit pas le meilleur choix pour l’apprentissage automatique, dans des applications Web plus complexes, PHP peut s’avérer nécessaire. J'espère que cet article vous a aidé à comprendre comment utiliser l'apprentissage automatique et la bibliothèque PHP-ML en PHP.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!