PHP의 기계 학습: Rubix ML을 사용하여 뉴스 분류기 구축-PHP 튜토리얼-php.cn

Machine Learning in PHP: Build a News Classifier Using Rubix ML

소개

영화 추천, 이미지 태그 지정, 뉴스 기사 분류 등 기계 학습은 어디에나 있습니다. PHP 내에서 그렇게 할 수 있다고 상상해보세요! Rubix ML을 사용하면 간단하고 접근 가능한 방식으로 PHP에 머신러닝의 강력한 기능을 적용할 수 있습니다. 이 가이드는 기사를 '스포츠' 또는 '기술'과 같은 카테고리로 분류하는 간단한 뉴스 분류기를 구축하는 과정을 안내합니다. 결국에는 콘텐츠를 기반으로 새 기사의 카테고리를 예측할 수 있는 작동하는 분류기를 갖게 됩니다.

이 프로젝트는 PHP를 사용하여 기계 학습을 시작하려는 초보자에게 적합하며 GitHub에서 전체 코드를 따라갈 수 있습니다.

Rubix ML이란 무엇입니까?

Rubix ML은 ML 도구와 알고리즘을 PHP 친화적인 환경에 제공하는 PHP용 기계 학습 라이브러리입니다. 분류, 회귀, 클러스터링 또는 자연어 처리 등 어떤 작업을 하든 Rubix ML이 해결해 드립니다. 이를 통해 데이터 로드 및 전처리, 모델 교육, 성능 평가 등을 모두 PHP에서 수행할 수 있습니다.

Rubix ML은 다음과 같은 광범위한 기계 학습 작업을 지원합니다.

분류: 이메일을 스팸 또는 스팸 아님으로 분류하는 등 데이터를 분류합니다.
회귀: 주택 가격과 같은 연속 값을 예측합니다.
클러스터링: 고객 세그먼트 찾기와 같이 라벨 없이 데이터를 그룹화합니다.
자연어 처리(NLP): 텍스트 데이터를 토큰화하고 ML에 사용할 수 있는 형식으로 변환하는 등의 작업을 수행합니다.

Rubix ML을 사용하여 PHP에서 간단한 뉴스 분류기를 구축하는 방법을 자세히 살펴보겠습니다!

프로젝트 설정

Rubix ML을 사용하여 새 PHP 프로젝트를 설정하고 자동 로딩을 구성하는 것부터 시작하겠습니다.

1단계: 프로젝트 디렉터리 초기화

새 프로젝트 디렉토리를 생성하고 탐색하세요.

mkdir NewsClassifier
cd NewsClassifier

로그인 후 복사

2단계: Composer와 함께 Rubix ML 설치

Composer가 설치되어 있는지 확인한 후 다음을 실행하여 프로젝트에 Rubix ML을 추가하세요.

composer require rubix/ml

로그인 후 복사

3단계: Composer.json에서 자동 로딩 구성

프로젝트의 src 디렉터리에서 클래스를 자동 로드하려면 작곡가.json 파일을 열거나 생성하고 다음 구성을 추가하세요.

{
    "autoload": {
        "psr-4": {
            "NewsClassifier\": "src/"
        }
    },
    "require": {
        "rubix/ml": "^2.5"
    }
}

로그인 후 복사

이것은 Composer가 NewsClassifier 네임스페이스 아래 src 폴더 내의 모든 클래스를 자동 로드하도록 지시합니다.

4단계: Composer 자동 로드 덤프 실행

자동 로드 구성을 추가한 후 다음 명령을 실행하여 Composer의 자동 로더를 다시 생성하세요.

mkdir NewsClassifier
cd NewsClassifier

로그인 후 복사

5단계: 디렉터리 구조

프로젝트 디렉토리는 다음과 같습니다.

composer require rubix/ml

로그인 후 복사

src/: PHP 스크립트가 포함되어 있습니다.
저장소/: 훈련된 모델이 저장될 위치
vendor/: Composer가 설치한 종속성을 포함합니다.

뉴스 분류 클래스 만들기

src/에 Classification.php라는 파일을 만듭니다. 이 파일에는 모델을 훈련하고 뉴스 카테고리를 예측하는 방법이 포함됩니다.

{
    "autoload": {
        "psr-4": {
            "NewsClassifier\": "src/"
        }
    },
    "require": {
        "rubix/ml": "^2.5"
    }
}

로그인 후 복사

이 분류 클래스에는 다음을 수행하는 메서드가 포함되어 있습니다.

학습: 파이프라인 기반 모델을 생성하고 학습합니다.
모델 저장: 훈련된 모델을 지정된 경로에 저장합니다.
예측: 저장된 모델을 로드하고 새 샘플의 카테고리를 예측합니다.

모델 훈련

src/에 train.php라는 스크립트를 생성하여 모델을 훈련합니다.

composer dump-autoload

로그인 후 복사

모델을 학습하려면 다음 스크립트를 실행하세요.

NewsClassifier/
├── src/
│   ├── Classification.php
│   └── train.php
├── storage/
├── vendor/
├── composer.json
└── composer.lock

로그인 후 복사

성공하면 다음이 표시됩니다.

<?php

namespace NewsClassifier;

use Rubix\ML\Classifiers\KNearestNeighbors;
use Rubix\ML\Datasets\Labeled;
use Rubix\ML\Datasets\Unlabeled;
use Rubix\ML\PersistentModel;
use Rubix\ML\Pipeline;
use Rubix\ML\Tokenizers\Word;
use Rubix\ML\Transformers\TfIdfTransformer;
use Rubix\ML\Transformers\WordCountVectorizer;
use Rubix\ML\Persisters\Filesystem;

class Classification
{
    private $modelPath;

    public function __construct($modelPath)
    {
        $this->modelPath = $modelPath;
    }

    public function train()
    {
        // Sample data and corresponding labels
        $samples = [
            ['The team played an amazing game of soccer'],
            ['The new programming language has been released'],
            ['The match between the two teams was incredible'],
            ['The new tech gadget has been launched'],
        ];

        $labels = [
            'sports',
            'technology',
            'sports',
            'technology',
        ];

        // Create a labeled dataset
        $dataset = new Labeled($samples, $labels);

        // Set up the pipeline with a text transformer and K-Nearest Neighbors classifier
        $estimator = new Pipeline([
            new WordCountVectorizer(10000, 1, 1, new Word()),
            new TfIdfTransformer(),
        ], new KNearestNeighbors(4));

        // Train the model
        $estimator->train($dataset);

        // Save the model
        $this->saveModel($estimator);

        echo "Training completed and model saved.\n";
    }

    private function saveModel($estimator)
    {
        $persister = new Filesystem($this->modelPath);
        $model = new PersistentModel($estimator, $persister);
        $model->save();
    }

    public function predict(array $samples)
    {
        // Load the saved model
        $persister = new Filesystem($this->modelPath);
        $model = PersistentModel::load($persister);

        // Predict categories for new samples
        $dataset = new Unlabeled($samples);
        return $model->predict($dataset);
    }
}

로그인 후 복사

새로운 샘플 예측

src/에 또 다른 스크립트인 예측.php를 생성하여 훈련된 모델을 기반으로 새 기사를 분류합니다.

<?php

require __DIR__ . '/../vendor/autoload.php';

use NewsClassifier\Classification;

// Define the model path
$modelPath = __DIR__ . '/../storage/model.rbx';

// Initialize the Classification object
$classifier = new Classification($modelPath);

// Train the model and save it
$classifier->train();

로그인 후 복사

예측 스크립트를 실행하여 샘플을 분류합니다.

php src/train.php

로그인 후 복사

출력에는 예측 카테고리와 함께 각 샘플 텍스트가 표시되어야 합니다.

최종 생각

이 가이드를 통해 Rubix ML을 사용하여 PHP로 간단한 뉴스 분류자를 성공적으로 구축했습니다! 이는 텍스트 분류, 추천 시스템 등과 같은 작업에 기계 학습 기능을 도입하여 PHP가 생각보다 더 다재다능할 수 있음을 보여줍니다. 이 프로젝트의 전체 코드는 GitHub에서 확인할 수 있습니다.

분류자를 확장하기 위해 다양한 알고리즘이나 데이터를 실험해 보세요. PHP가 머신러닝을 할 수 있다는 것을 누가 알았을까요? 이제 그렇습니다.
즐거운 코딩하세요!

위 내용은 PHP의 기계 학습: Rubix ML을 사용하여 뉴스 분류기 구축의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!