介绍
机器学习无处不在——推荐电影、标记图像，现在甚至对新闻文章进行分类。想象一下如果您可以在 php 中做到这一点！借助 rubix ml，您可以以简单易懂的方式将机器学习的强大功能引入 php。本指南将引导您构建一个简单的新闻分类器，将文章分类为“体育”或“技术”等类别。最后，您将拥有一个工作分类器，可以根据新文章的内容预测其类别。
这个项目非常适合想要使用 php 进行机器学习的初学者，您可以按照 github 上的完整代码进行操作。
目录
- 什么是 rubix ml？
- 设置项目
- 创建新闻分类类
- 训练模型
- 预测新样本
- 最后的想法
rubix 机器学习是什么？
rubix ml 是一个 php 机器学习库，它将 ml 工具和算法引入 php 友好的环境中。无论您从事分类、回归、聚类，甚至自然语言处理，rubix ml 都能满足您的需求。它允许您加载和预处理数据、训练模型并评估性能——所有这些都在 php 中进行。
rubix ml 支持广泛的机器学习任务，例如：
立即学习“PHP免费学习笔记（深入）”；
- 分类：对数据进行分类，例如将电子邮件标记为垃圾邮件或非垃圾邮件。
- 回归：预测连续值，例如房价。
- 聚类：对没有标签的数据进行分组，就像寻找客户群一样。
- 自然语言处理 (nlp)：处理文本数据，例如标记并将其转换为 ml 可用的格式。
让我们深入了解如何使用 rubix ml 在 php 中构建简单的新闻分类器！
设置项目
我们将首先使用 rubix ml 设置一个新的 php 项目并配置自动加载。
第1步：初始化项目目录
创建一个新的项目目录并导航到其中：
mkdir newsclassifier cd newsclassifier
第 2 步：安装 rubix ml 和 composer
确保您已安装 composer，然后通过运行以下命令将 rubix ml 添加到您的项目中：
composer require rubix/ml
步骤3：在composer.json中配置自动加载
要从项目的 src 目录自动加载类，请打开或创建一个composer.json 文件并添加以下配置：
{
"autoload": {
"psr-4": {
"newsclassifier\\": "src/"
}
},
"require": {
"rubix/ml": "^2.5"
}
}
这告诉 composer 自动加载 newsclassifier 命名空间下 src 文件夹中的任何类。
第 4 步：运行 composer autoload dump
添加自动加载配置后，运行以下命令重新生成 composer 的自动加载器：
composer dump-autoload
第5步：目录结构
您的项目目录应如下所示：
newsclassifier/ ├── src/ │ ├── classification.php │ └── train.php ├── storage/ ├── vendor/ ├── composer.json └── composer.lock
- src/：包含您的 php 脚本。
- storage/：训练后的模型的保存位置。
- vendor/：包含 composer 安装的依赖项。
创建新闻分类类
在 src/ 中，创建一个名为 classification.php 的文件。该文件将包含训练模型和预测新闻类别的方法。
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);
}
}
此分类类包含以下方法：
- 训练：创建并训练基于管道的模型。
- 保存模型：将训练好的模型保存到指定路径
- 预测：加载保存的模型并预测新样本的类别。
训练模型
在 src/ 中创建一个名为 train.php 的脚本来训练模型。
train();
运行此脚本来训练模型：
php src/train.php
如果成功，您将看到：
training completed and model saved.
预测新样本
在 src/ 中创建另一个脚本，predict.php，根据训练的模型对新文章进行分类。
predict($samples);
// display predictions
foreach ($predictions as $index => $prediction) {
echo "sample: " . $samples[$index][0] . "\n";
echo "prediction: " . $prediction . "\n\n";
}
运行预测脚本对样本进行分类：
php src/predict.php
输出应显示每个示例文本及其预测类别。
最后的想法
通过本指南，您已经使用 rubix ml 在 php 中成功构建了一个简单的新闻分类器！这展示了 php 如何比您想象的更加通用，为文本分类、推荐系统等任务引入机器学习功能。该项目的完整代码可在 github 上获取。
尝试不同的算法或数据来扩展分类器。谁知道 php 可以进行机器学习？现在你知道了。
快乐编码！
