Cara menggunakan fungsi pembelajaran mesin dalam PHP

Dengan pembangunan berterusan teknologi kecerdasan buatan, pembelajaran mesin telah menjadi bahagian penting dalam aplikasi teknologi kecerdasan buatan. Dalam bidang pembangunan web, PHP adalah bahasa pengaturcaraan yang digunakan secara meluas. Oleh itu, memahami cara menggunakan fungsi pembelajaran mesin dalam PHP bukan sahaja dapat meningkatkan kemahiran pengaturcaraan kami, tetapi juga menyediakan fungsi yang lebih pintar kepada aplikasi web kami. Artikel ini menerangkan cara menggunakan fungsi pembelajaran mesin dalam PHP.

1. Konsep asas fungsi pembelajaran mesin

Sebelum menggunakan fungsi pembelajaran mesin dalam PHP, anda perlu memahami perbezaan antara fungsi pembelajaran mesin dan fungsi biasa. Fungsi pembelajaran mesin adalah berbeza daripada fungsi biasa kerana ia memerlukan data sebagai input dan bukannya hanya memproses data. Dalam pembelajaran mesin, salah satu tugas yang paling biasa ialah klasifikasi. Klasifikasi ialah teknik yang membahagikan data input kepada dua atau lebih kategori. Model pembelajaran mesin boleh dilatih untuk mempelajari corak dan corak dalam data untuk mengklasifikasikan data baharu.

2 Langkah untuk menggunakan fungsi pembelajaran mesin dalam PHP

1. Pasang perpustakaan PHP-ML

PHP-ML ialah perpustakaan yang direka khas untuk PHP Perpustakaan pembelajaran mesin. Ia menyokong algoritma pembelajaran mesin yang paling biasa seperti pepohon keputusan, jiran K-terdekat, Bayes naif, dsb. Untuk menggunakan perpustakaan PHP-ML, anda perlu memasangnya terlebih dahulu. Boleh dipasang menggunakan Composer. Jalankan arahan berikut dalam terminal:

composer require php-ai/php-ml

2. Memuatkan data

Untuk menggunakan fungsi pembelajaran mesin dalam PHP untuk tugas klasifikasi, anda perlu mempunyai set data. Set data ialah koleksi data yang terdiri daripada input dan output. Antaranya, data input juga dipanggil ciri, yang digunakan untuk menerangkan sifat-sifat data. Data keluaran dipanggil sasaran dan menerangkan kategori kepunyaan data tersebut.

Dalam PHP-ML, set data diwakili oleh tatasusunan dan setiap elemen ialah tatasusunan yang mengandungi input dan output. Sebagai contoh, kita boleh mencipta set data dengan dua ciri dan satu sasaran seperti berikut:

$dataset = [
    [0, 0, 'negative'],
    [0, 1, 'positive'],
    [1, 0, 'positive'],
    [1, 1, 'negative']
];

3. Sediakan data latihan

Sebelum melatih model, sediakan data latihan dengan Membahagikan set data kepada data latihan dan data ujian membolehkan kami menilai prestasi model. Dalam PHP-ML, anda boleh menggunakan kelas Split untuk memisahkan set data kepada data latihan dan ujian. Berikut ialah contoh kod:

use PhpmlCrossValidationStratifiedRandomSplit;

$split = new StratifiedRandomSplit($dataset, 0.5);
$trainDataset = $split->getTrainSamples();
$trainLabels = $split->getTrainLabels();
$testDataset = $split->getTestSamples();
$testLabels = $split->getTestLabels();

Dalam contoh ini, kami membahagikan $dataset kepada data latihan dan data ujian dengan nisbah 0.5. $trainDataset dan $trainLabels mengandungi data latihan dan nilai sasaran yang sepadan, dan $testDataset dan $testLabels mengandungi data ujian dan nilai sasaran yang sepadan.

4. Latih model

Setelah data latihan sedia, anda boleh melatih model. Dalam PHP-ML, pelbagai algoritma pembelajaran mesin boleh digunakan untuk melatih model. Berikut ialah contoh kod yang menggunakan algoritma rangkaian saraf untuk melatih model:

use PhpmlNeuralNetworkNetwork;
use PhpmlNeuralNetworkLayer;

$layers = [
    new Layer(2),
    new Layer(3),
    new Layer(1)
];

$neuralNetwork = new Network(...$layers);

$neuralNetwork->train($trainDataset, $trainLabels);

Dalam contoh ini, kami mentakrifkan model berdasarkan algoritma rangkaian saraf dan menggunakan kaedah $neuralNetwork->train() untuk melatihnya melatih. Data latihan dan nilai sasaran yang sepadan diluluskan sebagai parameter kepada kaedah ini.

5. Gunakan model untuk membuat ramalan

Setelah latihan selesai, anda boleh menggunakan model untuk mengklasifikasikan data baharu. Dalam PHP-ML, anda boleh menggunakan kaedah predict() untuk membuat ramalan pada data baharu. Berikut ialah contoh kod:

$predictedLabels = [];
foreach ($testDataset as $sample) {
    $predictedLabels[] = $neuralNetwork->predict($sample);
}

Dalam contoh ini, kami menggunakan kaedah $neuralNetwork->predict() untuk membuat ramalan pada data ujian dan menyimpan keputusan dalam tatasusunan $predictedLabels.

3. Ringkasan

Artikel ini memperkenalkan cara menggunakan fungsi pembelajaran mesin dalam PHP untuk tugasan pengelasan. Untuk menggunakan perpustakaan PHP-ML, anda perlu memasangnya terlebih dahulu. Seterusnya, set data perlu dimuatkan dan dibahagikan kepada data latihan dan ujian. Data latihan kemudiannya boleh dilatih menggunakan pelbagai algoritma pembelajaran mesin. Akhirnya, model terlatih boleh digunakan untuk mengklasifikasikan data baharu. Menggunakan fungsi pembelajaran mesin boleh membantu kami membina aplikasi web yang lebih pintar.

Atas ialah kandungan terperinci Cara menggunakan fungsi pembelajaran mesin dalam PHP. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!