php-ml是使用PHP編寫的機器學習函式庫。雖然我們知道，python或C++提供了更多機器學習的函式庫，但實際上，他們大多都略顯複雜，配置起來讓許多新手感到絕望。本文主要為大家帶來一篇PHP機器學習庫php-ml的簡單測試與使用方法。小編覺得蠻不錯的，現在就分享給大家，也給大家做個參考。一起跟著小編過來看看吧，希望能幫助大家。
php-ml這個機器學習函式庫雖然沒有特別高大上的演算法，但其具有最基本的機器學習、分類等演算法，我們的小公司做一些簡單的資料分析、預測等等都是夠用的。在我們的專案中，追求的應該是性價比，而不是過度的效率和精確度。有些演算法和函式庫看起來非常厲害，但如果我們考慮快速上線，而我們的技術人員沒有機器學習方面的經驗，那麼複雜的程式碼和配置反而會拖累我們的專案。而如果我們本身就是做一個簡單的機器學習應用，那麼研究複雜函式庫和演算法的學習成本很顯然高了點，而且，專案出了奇奇怪怪的問題，我們能解決嗎？需求改變了怎麼辦？相信大家都有過這種經驗：做著做著，程序忽然報錯，自己怎麼都搞不清楚原因，上谷歌或百度一搜，只搜出一條滿足條件的問題，在五年、十年前提問，然後零回覆。 。 。
所以，選擇最簡單最有效率、性價比最高的做法是必須的。 php-ml的速度不算慢（趕快換php7吧），精確度也不錯，畢竟演算法都一樣，而且php是基於c的。部落客最看不慣的就是，拿python和Java，PHP之間比性能，比適用範圍。真要性能，請你拿C開發。真要追求適用範圍，也請用C，甚至彙編。 。 。
首先，我們要使用這個函式庫，需要先下載這個函式庫。在github可以下載到這個函式庫檔案（https://github.com/php-ai/php-ml）。當然，更推薦使用composer來下載該庫，自動配置。
當下載好了以後，我們可以看一看這個庫的文檔，文檔都是一些簡單的小示例，我們可以自己建一個文件嘗試一下。都淺顯易懂。接下來，我們來拿實際的數據測試一下。資料集一個是Iris花蕊的資料集，另一個因為記錄遺失，所以不知道是有關什麼的資料了。 。 。
Iris花蕊部分數據，有三種不同的分類：
#不知名數據集，小數點被打成了逗號，所以計算時還需要處理一下：
我們先處理不知名資料集。首先，我們的不知名資料集的檔案名稱為data.txt。而這個資料集剛好可以先繪製成x-y折線圖。所以，我們先將原始資料繪製成一個折線圖。由於x軸比較長，所以我們只需要看清楚它大致的形狀即可：
#繪製採用了php的jpgraph函式庫，程式碼如下：
<?php
include_once './src/jpgraph.php';
include_once './src/jpgraph_line.php';
$g = new Graph(1920,1080);//jpgraph的绘制操作
$g->SetScale("textint");
$g->title->Set('data');
//文件的处理
$file = fopen('data.txt','r');
$labels = array();
while(!feof($file)){
$data = explode(' ',fgets($file));
$data[1] = str_replace(',','.',$data[1]);//数据处理，将数据中的逗号修正为小数点
$labels[(int)$data[0]] = (float)$data[1];//这里将数据以键值的方式存入数组，方便我们根据键来排序
}
ksort($labels);//按键的大小排序
$x = array();//x轴的表示数据
$y = array();//y轴的表示数据
foreach($labels as $key=>$value){
array_push($x,$key);
array_push($y,$value);
}
$linePlot = new LinePlot($y);
$g->xaxis->SetTickLabels($x);
$linePlot->SetLegend('data');
$g->Add($linePlot);
$g->Stroke();在有了這個原圖做對比，我們接下來再學習。我們採用php-ml的LeastSquars來學習。我們測試的輸出需要存入文件，方便我們可以畫一個對比圖。學習程式碼如下：
<?php
require 'vendor/autoload.php';
use Phpml\Regression\LeastSquares;
use Phpml\ModelManager;
$file = fopen('data.txt','r');
$samples = array();
$labels = 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];
$i ++;
}
fclose($file);
$regression = new LeastSquares();
$regression->train($samples,$labels);
//这个a数组是根据我们对原数据处理后的x值给出的，做测试用。
$a = [0,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,20,22,23,24,25,26,27,29,30,31,37,40,41,45,48,53,55,57,60,61,108,124];
for($i = 0; $i < count($a); $i ++){
file_put_contents("putput.txt",($regression->predict([$a[$i]]))."\n",FILE_APPEND); //以追加的方式存入文件
}之後，我們將存入檔案的資料讀出來，繪製一個圖形，先貼最後的效果圖：
程式碼如下：
<?php
include_once './src/jpgraph.php';
include_once './src/jpgraph_line.php';
$g = new Graph(1920,1080);
$g->SetScale("textint");
$g->title->Set('data');
$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];
$linePlot = new LinePlot($y);
$g->xaxis->SetTickLabels($x);
$linePlot->SetLegend('data');
$g->Add($linePlot);
$g->Stroke();可以發現，圖形出入還是比較大的，尤其是在圖形鋸齒比較多的部分。不過，這畢竟是40組數據，我們可以看出，大概的圖形趨勢是吻合的。一般的函式庫在做這種學習時，資料量低的情況下，準確度都非常低。要達到比較高的精度，需要大量的數據，萬條以上的數據量是必要的。如果達不到這個資料要求，那我們使用任何函式庫都是徒勞無功的。所以，機器學習的實踐中，真正難的不在精度低、配置複雜等技術問題，而是資料量不夠，或是品質太低（一組資料中無用的資料太多）。在做機器學習之前，資料的預先處理也是必要的。
接下來，我們來對花蕊資料進行測試。總共有三種分類，由於我們下載到的是csv數據，所以我們可以使用php-ml官方提供的操作csv檔案的方法。而這裡是分類問題，所以我們選擇函式庫提供的SVC演算法來進行分類。我們把花蕊資料的檔名定為Iris.csv，程式碼如下：
<?php require 'vendor/autoload.php'; use Phpml\Classification\SVC; use Phpml\SupportVectorMachine\Kernel; use Phpml\Dataset\CsvDataset; $dataset = new CsvDataset('Iris.csv' , 4, false); $classifier = new SVC(Kernel::LINEAR,$cost = 1000); $classifier->train($dataset->getSamples(),$dataset->getTargets()); echo $classifier->predict([$argv[1],$argv[2],$argv[3],$argv[4]]);//$argv是命令行参数，调试这种程序使用命令行较方便
是不是很简单？短短12行代码就搞定了。接下来，我们来测试一下。根据我们上面贴出的图，当我们输入5 3.3 1.4 0.2的时候，输出应该是Iris-setosa。我们看一下：
看，至少我们输入一个原来就有的数据，得到了正确的结果。但是，我们输入原数据集中没有的数据呢？我们来测试两组：
由我们之前贴出的两张图的数据看，我们输入的数据在数据集中并不存在，但分类按照我们初步的观察来看，是合理的。
所以，这个机器学习库对于大多数的人来说，都是够用的。而大多数鄙视这个库鄙视那个库，大谈性能的人，基本上也不是什么大牛。真正的大牛已经忙着捞钱去了，或者正在做学术研究等等。我们更多的应该是掌握算法，了解其中的道理和玄机，而不是夸夸其谈。当然，这个库并不建议用在大型项目上，只推荐小型项目或者个人项目等。
jpgraph只依赖GD库，所以下载引用之后就可以使用，大量的代码都放在了绘制图形和初期的数据处理上。由于库的出色封装，学习代码并不复杂。需要所有代码或者测试数据集的小伙伴可以留言或者私信等，我提供完整的代码，解压即用。
相关推荐：
以上是php-ml的簡單測試和使用方法分享的詳細內容。更多資訊請關注PHP中文網其他相關文章！
