简单测试和使用PHP机器学习库

Php-ml是一个用Php编写的机器学习库。虽然我们知道python或C为机器学习提供了更多的库，但实际上大多数库都略显复杂，这让很多初学者感到绝望。

机器学习库Php-ml拥有机器学习和分类等最基本的算法。我们这个小公司做一些简单的数据分析和预测就够了。在我们的项目中，我们应该追求性价比，而不是过度的效率和精度。有些算法和库看起来非常强大，但是如果我们考虑快速上线，而我们的技术人员没有机器学习的经验，那么复杂的代码和配置会拖累我们的项目。如果我们在做一个简单的机器学习应用，学习复杂的库和算法的学习成本显然有点高，而且项目中存在奇怪的问题。我们能解决他们吗？如果需求发生变化怎么办？相信大家都有过这样的经历：在做的时候，程序突然报错，他们想不出原因。在谷歌或者百度上搜索的时候，只找到一个符合条件的问题，问了五十年前的问题，然后给了零回复。

因此，有必要选择最简单、最高效、最具成本效益的方法。Php-ml不慢(快换成php7)，准确率不错。毕竟算法都是一样的，php是基于c的，博主最不喜欢的就是对比python、Java和PHP的性能和适用范围。如果真的想要性能，请用C开发，如果真的想追求适用范围，请用C甚至编译。

首先，我们需要下载这个库来使用它。这个库文件可以从github(https://github.com/PHP-ai/PHP-ml)下载。当然，建议composer下载库并自动配置。

下载后，我们可以看看这个库的文档。这些文件都是简单的小例子。我们可以自己创建一个文件并尝试一下。很容易理解。接下来，让我们用实际数据来测试一下。其中一个数据集是鸢尾雄蕊的数据集，另一个丢失了，不知道是关于什么的。

鸢尾雄蕊数据有三种不同的分类：

未知数据集，小数点标记为逗号，因此在计算时需要对其进行处理：

我们先处理未知的数据集。首先，我们未知数据集的文件名是data.txt，这个数据集可以绘制成x-y折线图。因此，我们首先将原始数据绘制成折线图。因为x轴比较长，我们只需要看清楚它的大致形状：

使用php绘制jpgraph库，代码如下：

？phpinclude_once '。/src/jpgraph . PHP '；包括一次。/src/jpgraph _ line . PHP '；$g=新Graph(1920，1080)；//jpgraph绘制操作$ g-SetScale(' text int ')；$g-title-Set('数据')；//文件处理$file=fopen('data.txt '，' r ')；$ label=array()；while(！feof($file)){ $data=explode('，fgets($ file))；$data[1]=str_replace(“，”，“.”，$ data[1])；//数据处理：数据中的逗号更正为小数点$ labels[(int)$ Data[0]]=(float)$ Data[1]；//这里数据是按键值存储在数组中的，方便我们按key} ksort($labels)排序；//键的大小按$x=array()排序；//X轴$y=数组()的表示数据；//y轴表示数据foreach ($标签为$ key=$ value) {array _ push ($ x，$ key)；array_push($y，$ value)；} $ line plot=new line plot($ y)；$ g-xaxis-SetTicklabels($ x)；$ LinePlot-set Legender('数据')；$ g-Add($ line plot)；$ g-Stroke()；用这张原图做对比，我们接下来就来学习。我们使用php-ml中的最小平方来学习。我们测试的输出需要存储在一个文件中，这样我们就可以绘制一个比较图。学习代码如下：

？php需要'供应商/autoload . PHP '；使用Phpml \回归\最小平方；使用Phpml \ ModelManager$file=fopen('data.txt '，' r ')；$ samples=array()；$ label=array()；$ I=0；while(！feof($file)){ $data=explode('，fgets($ file))；$ samples[$ I][0]=(int)$ data[0]；$data[1]=str_replace(“，”，“.”，$ data[1])；$ labels[$ I]=(float)$ data[1]；$ I；} fc lose($ file)；$ revolution=new least squares()；$回归-训练($样本，$标签)；//这个A数组是根据原始数据处理后的X值给出的，用于测试。$a=[0，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16，17，18，20，22，23，24，25，26，27，29，30，31，37，40，41，45，48，53，55，57，60，61，108，124]；for($ I=0；$i计数($ a)；$ I){ file _ put _ contents(' put put . txt '，($ revolution-predict([$ a[$ I]]))。\n '，FILE _ APPEND)；//通过追加的方式将数据保存在文件中，我们将读出文件中存储的数据，绘制一个图形，先粘贴最终的渲染：

代码如下：

？phpinclude_once '。/src/jpgraph . PHP '；包括一次。/src/jpgraph _ line . PHP '；$g=新Graph(1920，1080)；$ g-SetScale(' text int ')；$g-title-Set('数据')；$file=fopen('putput.txt '，' r ')；$ y=array()；$ I=0；while(！feof($ file)){ $ y[$ I]=(float)(fgets($ file))；$ I；} $x=[0，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16，17，18，20，22，23，24，25，26，27，29，30，31，37，40，41，45，48，53，55，57，60，61，108，124]；$linePlot=新的line plot($ y)；$ g-xaxis-SetTicklabels($ x)；$ LinePlot-set Legender('数据')；$ g-Add($ line plot)；$ g-Stroke()；可以发现，图形的出入比较大，尤其是锯齿状图形较多的部分。然而，这毕竟是40组数据，我们可以看到大致的图形趋势是一致的。在做这种学习时，当数据量较低时，一般库的准确率很低。为了获得更高的精度，需要大量的数据，并且需要10，000多条数据。如果不满足这个数据要求，我们使用任何库都是没有用的。因此，在机器学习的实践中，真正难的不是精度低、配置复杂等技术问题，而是数据量不足或质量太低(一组数据中无用数据太多)。在进行机器学习之前，还需要对数据进行预处理。

接下来，我们测试雄蕊数据。总共有三类。由于我们下载了csv数据，所以可以使用php-ml提供的操作csv文件的官方方法。这是一个分类问题，所以我们选择库提供的SVC算法进行分类。我们将Iris.csv命名为雄蕊数据的文件名，代码如下：

？PHP require ' vendor/autoload . PHP '；使用Phpml \分类\ SVC使用Phpml \ SupportVectorMachine \ Kernel；使用Phpml \ Dataset \ CsvDataset$ dataset=new CsvDataset(' Iris . CSV '，4，false)；$分类器=新的SVC(Kernel:LINEAR，$ cost=1000)；$分类器-train($dataset-getSamples()，$ dataset-getTargets())；echo $分类器-predict([$argv[1]，$argv[2]，$argv[3]，$ argv[4]])；//$argv是命令行参数。使用命令行调试这个程序容易吗？只用了12行代码就完成了。接下来，让我们测试一下。根据上面贴的图，当我们输入5 3.3 1.4 0.2时，输出应该是Iris-setosa。我们来看看：

看，至少我们输入一个原始数据，得到正确的结果。但是，我们输入的原始数据集中没有的数据呢？让我们测试两组：

根据之前贴出的两张图片的数据，我们输入的数据在数据集中并不存在，但根据我们的初步观察，分类是合理的。

因此，这个机器学习库对大多数人来说已经足够了。鄙视这个库的人和大谈业绩的人，基本都不是大牛。真正的大牛一直忙于赚钱，或者做学术研究等等。与其夸夸其谈，不如掌握算法，了解真相和奥秘。当然，这个库不推荐给大项目，只推荐小项目或者个别项目。

Jpgraph只依赖GD库，下载引用后就可以使用了，大量的代码都致力于绘制图形和初始数据处理。学习代码并不复杂，因为库的包装非常好。需要所有代码或测试数据集的小伙伴可以留言或私信等。我提供完整的代码并解压缩以供使用

以上php机器学习库php-ml的简单测试和使用方法，是边肖分享的全部内容。希望能给大家一个参考，支持我们。