


Pembelajaran Mesin dalam PHP: Bina Pengelas Berita Menggunakan Rubix ML
Nov 03, 2024 am 03:33 AMpengenalan
Pembelajaran mesin ada di mana-mana—mengesyorkan filem, menandai imej dan kini juga mengklasifikasikan artikel berita. Bayangkan jika anda boleh melakukannya dalam PHP! Dengan Rubix ML, anda boleh membawa kuasa pembelajaran mesin kepada PHP dengan cara yang mudah dan boleh diakses. Panduan ini akan membimbing anda membina pengelas berita mudah yang menyusun artikel ke dalam kategori seperti "Sukan" atau "Teknologi." Pada akhirnya, anda akan mempunyai pengelas berfungsi yang boleh meramalkan kategori untuk artikel baharu berdasarkan kandungannya.
Projek ini sesuai untuk pemula yang ingin menyelami pembelajaran mesin menggunakan PHP dan anda boleh mengikuti kod lengkap di GitHub.
Jadual Kandungan
- Apakah itu Rubix ML?
- Menyediakan Projek
- Mencipta Kelas Klasifikasi Berita
- Melatih Model
- Meramalkan Sampel Baharu
- Pemikiran Akhir
Apakah Rubix ML?
Rubix ML ialah perpustakaan pembelajaran mesin untuk PHP yang membawa alatan dan algoritma ML ke dalam persekitaran mesra PHP. Sama ada anda sedang mengusahakan klasifikasi, regresi, pengelompokan atau pemprosesan bahasa semula jadi, Rubix ML telah membantu anda. Ia membolehkan anda memuatkan dan mempraproses data, melatih model dan menilai prestasi—semuanya dalam PHP.
Rubix ML menyokong pelbagai tugas pembelajaran mesin, seperti:
- Klasifikasi: Mengkategorikan data, seperti melabelkan e-mel sebagai spam atau bukan spam.
- Regression: Meramalkan nilai berterusan, seperti harga perumahan.
- Pengumpulan: Mengumpulkan data tanpa label, seperti mencari segmen pelanggan.
- Pemprosesan Bahasa Asli (NLP): Bekerja dengan data teks, seperti token dan mengubahnya menjadi format yang boleh digunakan untuk ML.
Mari kita mendalami cara anda boleh menggunakan Rubix ML untuk membina pengelas berita mudah dalam PHP!
Menyediakan Projek
Kami akan mulakan dengan menyediakan projek PHP baharu dengan Rubix ML dan mengkonfigurasi autoloading.
Langkah 1: Mulakan Direktori Projek
Buat direktori projek baharu dan navigasi ke dalamnya:
mkdir NewsClassifier cd NewsClassifier
Langkah 2: Pasang Rubix ML dengan Komposer
Pastikan anda telah memasang Komposer, kemudian tambah Rubix ML pada projek anda dengan menjalankan:
composer require rubix/ml
Langkah 3: Konfigurasikan Autoloading dalam composer.json
Untuk automuat kelas daripada direktori src projek kami, buka atau cipta fail composer.json dan tambahkan konfigurasi berikut:
{ "autoload": { "psr-4": { "NewsClassifier\": "src/" } }, "require": { "rubix/ml": "^2.5" } }
Ini memberitahu Komposer untuk memuatkan secara automatik mana-mana kelas dalam folder src di bawah ruang nama NewsClassifier.
Langkah 4: Jalankan Dump Autoload Komposer
Selepas menambah konfigurasi autoload, jalankan arahan berikut untuk menjana semula autoloader Komposer:
mkdir NewsClassifier cd NewsClassifier
Langkah 5: Struktur Direktori
Direktori projek anda sepatutnya kelihatan seperti ini:
composer require rubix/ml
- src/: Mengandungi skrip PHP anda.
- storan/: Tempat model terlatih akan disimpan.
- vendor/: Mengandungi kebergantungan yang dipasang oleh Komposer.
Mencipta Kelas Klasifikasi Berita
Dalam src/, buat fail yang dipanggil Classification.php. Fail ini akan mengandungi kaedah untuk melatih model dan meramalkan kategori berita.
{ "autoload": { "psr-4": { "NewsClassifier\": "src/" } }, "require": { "rubix/ml": "^2.5" } }
Kelas Pengelasan ini mengandungi kaedah untuk:
- Latih: Cipta dan latih model berasaskan saluran paip.
- Simpan Model: Simpan model terlatih ke laluan yang ditentukan.
- Ramalkan: Muatkan model yang disimpan dan ramalkan kategori untuk sampel baharu.
Melatih Model
Buat skrip dipanggil train.php dalam src/ untuk melatih model.
composer dump-autoload
Jalankan skrip ini untuk melatih model:
NewsClassifier/ ├── src/ │ ├── Classification.php │ └── train.php ├── storage/ ├── vendor/ ├── composer.json └── composer.lock
Jika berjaya, anda akan melihat:
<?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); } }
Meramalkan Sampel Baharu
Buat skrip lain, predict.php, dalam src/ untuk mengklasifikasikan artikel baharu berdasarkan model terlatih.
<?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();
Jalankan skrip ramalan untuk mengklasifikasikan sampel:
php src/train.php
Output hendaklah menunjukkan setiap teks sampel dengan kategori ramalannya.
Fikiran Akhir
Dengan panduan ini, anda telah berjaya membina pengelas berita mudah dalam PHP menggunakan Rubix ML! Ini menunjukkan bagaimana PHP boleh menjadi lebih serba boleh daripada yang anda fikirkan, membawa masuk keupayaan pembelajaran mesin untuk tugas seperti klasifikasi teks, sistem pengesyoran dan banyak lagi. Kod penuh untuk projek ini tersedia di GitHub.
Percubaan dengan algoritma atau data yang berbeza untuk mengembangkan pengelas. Siapa tahu PHP boleh melakukan pembelajaran mesin? Sekarang anda melakukannya.
Selamat mengekod!
Atas ialah kandungan terperinci Pembelajaran Mesin dalam PHP: Bina Pengelas Berita Menggunakan Rubix ML. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undress AI Tool
Gambar buka pakaian secara percuma

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

TOVERSIONAPHP-berasaskan-berasaskan, UseUrl-berasaskan Forversioningforclarityandeaseofrouting, separateVersionedcodetoavoidconflicts, decrecateoldversionswithclearCommunication, andconsidercustomheadershipshenershipshenershipshenershipshenershinlyhenershinlywenershinly

TosecurelyhandleAuthenticationandauthorizationInphp, ikuti: 1.alwayshashpasswordswithpassword_hash () andverifyUsingPassword_verify (), usePePreparedStatementStopreventsqlInjection, andStoreUserDatain $ _SessionAsLogin.2.implescureRoleRoleRoleRoleRole

Proseduralandobject-orientedprogramming (OOP) inphpdiffers significelyinstructure, kebolehgunaan semula, dandatahandling.1.ProceduralProgrammingusesFunctionsaganediediedieds, sesuai, pemodelan

PHPdoesnothaveabuilt-inWeakMapbutoffersWeakReferenceforsimilarfunctionality.1.WeakReferenceallowsholdingreferenceswithoutpreventinggarbagecollection.2.Itisusefulforcaching,eventlisteners,andmetadatawithoutaffectingobjectlifecycles.3.YoucansimulateaWe

Untuk mengendalikan muat naik fail dengan selamat di PHP, terasnya adalah untuk mengesahkan jenis fail, menamakan semula fail, dan menyekat kebenaran. 1. Gunakan finfo_file () untuk memeriksa jenis mime sebenar, dan hanya jenis tertentu seperti imej/jpeg dibenarkan; 2. Gunakan uniqid () untuk menghasilkan nama fail rawak dan simpannya dalam direktori akar bukan web; 3. Hadkan saiz fail melalui borang php.ini dan html, dan tetapkan kebenaran direktori ke 0755; 4. Gunakan Clamav untuk mengimbas malware untuk meningkatkan keselamatan. Langkah -langkah ini dengan berkesan menghalang kelemahan keselamatan dan memastikan bahawa proses muat naik fail adalah selamat dan boleh dipercayai.

Ya, PHP boleh berinteraksi dengan pangkalan data NoSQL seperti MongoDB dan Redis melalui sambungan atau perpustakaan tertentu. Pertama, gunakan pemacu MongoDBPHP (dipasang melalui PECL atau komposer) untuk membuat contoh pelanggan dan mengendalikan pangkalan data dan koleksi, penyisipan sokongan, pertanyaan, pengagregatan dan operasi lain; Kedua, gunakan perpustakaan predis atau lanjutan phpredis untuk menyambung ke REDIS, lakukan tetapan dan pengambilalihan nilai utama, dan mengesyorkan PHPREDI untuk senario berprestasi tinggi, sementara Predis mudah untuk penempatan pesat; Kedua-duanya sesuai untuk persekitaran pengeluaran dan didokumentasikan dengan baik.

Dalam PHP, perbezaan utama antara == dan == adalah ketat pemeriksaan jenis. == Penukaran jenis akan dilakukan sebelum perbandingan, contohnya, 5 == "5" pulangan benar, dan === meminta nilai dan jenis adalah sama sebelum benar akan dikembalikan, sebagai contoh, 5 === "5" mengembalikan palsu. Dalam senario penggunaan, === lebih selamat dan harus digunakan terlebih dahulu, dan == hanya digunakan apabila penukaran jenis diperlukan.

Kaedah menggunakan operasi matematik asas dalam PHP adalah seperti berikut: 1. Tanda tambahan menyokong bilangan bulat dan nombor terapung, dan juga boleh digunakan untuk pembolehubah. Nombor rentetan akan ditukar secara automatik tetapi tidak disyorkan kepada kebergantungan; 2. Tanda -tanda pengurangan - tanda, pembolehubah adalah sama, dan penukaran jenis juga terpakai; 3. Tanda -tanda pendaraban menggunakan tanda *, yang sesuai untuk nombor dan rentetan yang serupa; 4. Bahagian menggunakan / tanda, yang perlu mengelakkan pembahagian dengan sifar, dan perhatikan bahawa hasilnya mungkin nombor terapung; 5. Mengambil tanda modulus boleh digunakan untuk menilai angka ganjil dan bahkan, dan apabila memproses nombor negatif, tanda -tanda selebihnya selaras dengan dividen. Kunci untuk menggunakan pengendali ini dengan betul adalah untuk memastikan bahawa jenis data adalah jelas dan keadaan sempadan ditangani dengan baik.
