介紹

機(jī)器學(xué)習(xí)無所不在－推薦影片、標(biāo)記影像，現(xiàn)在甚至將新聞文章分類。想像一下如果您可以在 PHP 中做到這一點(diǎn)！透過 Rubix ML，您可以以簡單易懂的方式將機(jī)器學(xué)習(xí)的強(qiáng)大功能引入 PHP。本指南將引導(dǎo)您建立一個(gè)簡單的新聞分類器，將文章分類為「體育」或「技術(shù)」等類別。最後，您將擁有一個(gè)工作分類器，可以根據(jù)新文章的內(nèi)容預(yù)測其類別。

這個(gè)專案非常適合想要使用 PHP 進(jìn)行機(jī)器學(xué)習(xí)的初學(xué)者，您可以按照 GitHub 上的完整程式碼進(jìn)行操作。

目錄

1. 什麼是 Rubix ML？
2. 設(shè)定項(xiàng)目
3. 建立新聞分類類
4. 訓(xùn)練模型
5. 預(yù)測新樣本
6. 最後的想法

Rubix 機(jī)器學(xué)習(xí)是什麼？

Rubix ML 是一個(gè) PHP 機(jī)器學(xué)習(xí)函式庫，它將 ML 工具和演算法引入 PHP 友善的環(huán)境中。無論您從事分類、迴歸、聚類，甚至自然語言處理，Rubix ML 都能滿足您的需求。它允許您加載和預(yù)處理資料、訓(xùn)練模型並評(píng)估效能——所有這些都在 PHP 中進(jìn)行。

Rubix ML 支援廣泛的機(jī)器學(xué)習(xí)任務(wù)，例如：

• 分類：將資料分類，例如將電子郵件標(biāo)記為垃圾郵件或非垃圾郵件。
• 迴歸：預(yù)測連續(xù)值，例如房價(jià)。
• 聚類：將沒有標(biāo)籤的資料分組，就像尋找客戶群一樣。
• 自然語言處理 (NLP)：處理文字?jǐn)?shù)據(jù)，例如標(biāo)記並將其轉(zhuǎn)換為 ML 可用的格式。

讓我們深入了解如何使用 Rubix ML 在 PHP 中建立簡單的新聞分類器！

設(shè)定項(xiàng)目

我們將首先使用 Rubix ML 設(shè)定一個(gè)新的 PHP 專案並配置自動(dòng)載入。

步驟1：初始化專案目錄

建立一個(gè)新的專案目錄並導(dǎo)航到其中：

mkdir NewsClassifier
cd NewsClassifier

第 2 步：安裝 Rubix ML 和 Composer

確保您已安裝 Composer，然後透過執(zhí)行以下命令將 Rubix ML 新增至您的專案：

composer require rubix/ml

步驟3：在composer.json中配置自動(dòng)加載

要從專案的 src 目錄自動(dòng)載入類，請(qǐng)開啟或建立composer.json 檔案並新增以下配置：

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

這告訴 Composer 自動(dòng)載入 NewsClassifier 命名空間下 src 資料夾中的任何類別。

步驟 4： 執(zhí)行 Composer Autoload Dump

新增自動(dòng)載入設(shè)定後，執(zhí)行下列指令重新產(chǎn)生 Composer 的自動(dòng)載入器：

mkdir NewsClassifier
cd NewsClassifier

第5步：目錄結(jié)構(gòu)

您的專案目錄應(yīng)如下所示：

composer require rubix/ml

• src/：包含您的 PHP 腳本。
• storage/：訓(xùn)練後的模型的保存位置。
• vendor/：包含 Composer 安裝的依賴項(xiàng)。

建立新聞分類類

在 src/ 中，建立一個(gè)名為 Classification.php 的檔案。該文件將包含訓(xùn)練模型和預(yù)測新聞?lì)悇e的方法。

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

此分類類別包含以下方法：

• 訓(xùn)練：建立並訓(xùn)練基於管道的模型。
• 保存模型：將訓(xùn)練好的模型儲(chǔ)存到指定路徑
• 預(yù)測：載入已儲(chǔ)存的模型並預(yù)測新樣本的類別。

訓(xùn)練模型

在 src/ 中建立一個(gè)名為 train.php 的腳本來訓(xùn)練模型。

composer dump-autoload

執(zhí)行此腳本來訓(xùn)練模型：

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

如果成功，您將看到：

<?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);
    }
}

預(yù)測新樣本

在 src/ 中建立另一個(gè)腳本，predict.php，根據(jù)訓(xùn)練的模型對(duì)新文章進(jìn)行分類。

<?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();

運(yùn)行預(yù)測腳本對(duì)樣本進(jìn)行分類：

php src/train.php

輸出應(yīng)顯示每個(gè)範(fàn)例文字及其預(yù)測類別。

最後的想法

透過本指南，您已經(jīng)使用 Rubix ML 在 PHP 中成功建立了一個(gè)簡單的新聞分類器！這展示了 PHP 如何比您想像的更通用，為文字分類、推薦系統(tǒng)等任務(wù)引入機(jī)器學(xué)習(xí)功能。此專案的完整程式碼可在 GitHub 上取得。

嘗試不同的演算法或資料來擴(kuò)展分類器。誰知道 PHP 可以進(jìn)行機(jī)器學(xué)習(xí)？現(xiàn)在你知道了。
快樂編碼！

以上是PHP 中的機(jī)器學(xué)習(xí)：使用 Rubix ML 建立新聞分類器的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！