Avec le développement continu de la technologie de l'intelligence artificielle, l'apprentissage automatique est devenu un élément important de l'application de la technologie de l'intelligence artificielle. Dans le domaine du développement web, PHP est un langage de programmation largement utilisé. Par conséquent, comprendre comment utiliser les fonctions d’apprentissage automatique en PHP peut non seulement améliorer nos compétences en programmation, mais également fournir des fonctions plus intelligentes à nos applications Web. Cet article explique comment utiliser les fonctions d'apprentissage automatique en PHP.
1. Concepts de base des fonctions d'apprentissage automatique
Avant d'utiliser les fonctions d'apprentissage automatique en PHP, vous devez d'abord comprendre la différence entre les fonctions d'apprentissage automatique et les fonctions ordinaires. Les fonctions d'apprentissage automatique sont différentes des fonctions ordinaires dans la mesure où elles nécessitent des données en entrée plutôt que de simplement traiter des données. En apprentissage automatique, l’une des tâches les plus courantes est la classification. La classification est une technique qui divise les données d'entrée en deux ou plusieurs catégories. Les modèles d'apprentissage automatique peuvent être entraînés pour apprendre des modèles et des modèles dans les données afin de classer de nouvelles données.
2. Étapes pour utiliser les fonctions d'apprentissage automatique en PHP
PHP-ML est une bibliothèque d'apprentissage automatique spécialement conçue pour PHP. Il prend en charge les algorithmes d'apprentissage automatique les plus courants tels que les arbres de décision, les K-voisins les plus proches, les Bayes naïfs, etc. Pour utiliser la bibliothèque PHP-ML, vous devez d'abord l'installer. Peut être installé à l’aide de Composer. Exécutez la commande suivante dans le terminal :
composer require php-ai/php-ml
Pour utiliser les fonctions d'apprentissage automatique en PHP pour les tâches de classification, vous devez disposer d'un ensemble de données. Un ensemble de données est une collection de données composée d’entrées et de sorties. Parmi elles, les données d'entrée sont également appelées fonctionnalités, qui sont utilisées pour décrire les attributs des données. Les données de sortie sont appelées une cible et décrivent la catégorie à laquelle appartiennent les données.
En PHP-ML, un ensemble de données est représenté par un tableau, et chaque élément est un tableau contenant des entrées et des sorties. Par exemple, nous pouvons créer un ensemble de données avec deux fonctionnalités et une cible comme indiqué ci-dessous :
$dataset = [ [0, 0, 'negative'], [0, 1, 'positive'], [1, 0, 'positive'], [1, 1, 'negative'] ];
Avant d'entraîner le modèle, en divisant l'ensemble de données en données d'entraînement et données de test, vous pouvez Laissez-nous évaluer le performances du modèle. En PHP-ML, vous pouvez utiliser la classe Split
pour diviser un ensemble de données en données d'entraînement et de test. Voici l'exemple de code :
use PhpmlCrossValidationStratifiedRandomSplit; $split = new StratifiedRandomSplit($dataset, 0.5); $trainDataset = $split->getTrainSamples(); $trainLabels = $split->getTrainLabels(); $testDataset = $split->getTestSamples(); $testLabels = $split->getTestLabels();
Dans cet exemple, nous divisons le $dataset en données d'entraînement et données de test avec un ratio de 0,5. $trainDataset et $trainLabels contiennent des données de formation et les valeurs cibles correspondantes, et $testDataset et $testLabels contiennent des données de test et les valeurs cibles correspondantes.
Une fois que vous avez préparé les données d'entraînement, vous pouvez entraîner le modèle. En PHP-ML, divers algorithmes d'apprentissage automatique peuvent être utilisés pour entraîner des modèles. Voici un exemple de code qui utilise l'algorithme du réseau neuronal pour entraîner un modèle :
use PhpmlNeuralNetworkNetwork; use PhpmlNeuralNetworkLayer; $layers = [ new Layer(2), new Layer(3), new Layer(1) ]; $neuralNetwork = new Network(...$layers); $neuralNetwork->train($trainDataset, $trainLabels);
Dans cet exemple, nous définissons un modèle basé sur l'algorithme du réseau neuronal et l'entraînons à l'aide de la méthode $neuralNetwork->train(). Les données d'entraînement et les valeurs cibles correspondantes sont transmises en tant que paramètres à cette méthode.
Une fois la formation terminée, vous pouvez utiliser le modèle pour classer de nouvelles données. En PHP-ML, vous pouvez utiliser la méthode prédire() pour faire des prédictions sur de nouvelles données. Voici l'exemple de code :
$predictedLabels = []; foreach ($testDataset as $sample) { $predictedLabels[] = $neuralNetwork->predict($sample); }
Dans cet exemple, nous utilisons la méthode $neuralNetwork->predict() pour faire des prédictions sur les données de test et stocker les résultats dans le tableau $predictedLabels.
3. Résumé
Cet article présente comment utiliser les fonctions d'apprentissage automatique en PHP pour les tâches de classification. Pour utiliser la bibliothèque PHP-ML, vous devez d'abord l'installer. Ensuite, l'ensemble de données doit être chargé et divisé en données de formation et de test. Les données d'entraînement peuvent ensuite être entraînées à l'aide de divers algorithmes d'apprentissage automatique. Enfin, le modèle entraîné peut être utilisé pour classer de nouvelles données. L'utilisation de fonctions d'apprentissage automatique peut nous aider à créer des applications Web plus intelligentes.
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!