介紹

機器學習無處不在——推薦電影、標記圖像，現在甚至對新聞文章進行分類。想象一下如果您可以在 PHP 中做到這一點！借助 Rubix ML，您可以以簡單易懂的方式將機器學習的強大功能引入 PHP。本指南將引導您構建一個簡單的新聞分類器，將文章分類為“體育”或“技術”等類別。最后，您將擁有一個工作分類器，可以根據新文章的內容預測其類別。

這個項目非常適合想要使用 PHP 進行機器學習的初學者，您可以按照 GitHub 上的完整代碼進行操作。

目錄

1. 什么是 Rubix ML？
2. 設置項目
3. 創(chuàng)建新聞分類類
4. 訓練模型
5. 預測新樣本
6. 最后的想法

Rubix 機器學習是什么？

Rubix ML 是一個 PHP 機器學習庫，它將 ML 工具和算法引入 PHP 友好的環(huán)境中。無論您從事分類、回歸、聚類，甚至自然語言處理，Rubix ML 都能滿足您的需求。它允許您加載和預處理數據、訓練模型并評估性能——所有這些都在 PHP 中進行。

Rubix ML 支持廣泛的機器學習任務，例如：

• 分類：對數據進行分類，例如將電子郵件標記為垃圾郵件或非垃圾郵件。
• 回歸：預測連續(xù)值，例如房價。
• 聚類：對沒有標簽的數據進行分組，就像尋找客戶群一樣。
• 自然語言處理 (NLP)：處理文本數據，例如標記并將其轉換為 ML 可用的格式。

讓我們深入了解如何使用 Rubix ML 在 PHP 中構建簡單的新聞分類器！

設置項目

我們將首先使用 Rubix ML 設置一個新的 PHP 項目并配置自動加載。

第1步：初始化項目目錄

創(chuàng)建一個新的項目目錄并導航到其中：

mkdir NewsClassifier
cd NewsClassifier

第 2 步：安裝 Rubix ML 和 Composer

確保您已安裝 Composer，然后通過運行以下命令將 Rubix ML 添加到您的項目中：

composer require rubix/ml

步驟3：在composer.json中配置自動加載

要從項目的 src 目錄自動加載類，請打開或創(chuàng)建一個composer.json 文件并添加以下配置：

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

這告訴 Composer 自動加載 NewsClassifier 命名空間下 src 文件夾中的任何類。

第 4 步：運行 Composer Autoload Dump

添加自動加載配置后，運行以下命令重新生成 Composer 的自動加載器：

mkdir NewsClassifier
cd NewsClassifier

第5步：目錄結構

您的項目目錄應如下所示：

composer require rubix/ml

• src/：包含您的 PHP 腳本。
• storage/：訓練后的模型的保存位置。
• vendor/：包含 Composer 安裝的依賴項。

創(chuàng)建新聞分類類

在 src/ 中，創(chuàng)建一個名為 Classification.php 的文件。該文件將包含訓練模型和預測新聞類別的方法。

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

此分類類包含以下方法：

• 訓練：創(chuàng)建并訓練基于管道的模型。
• 保存模型：將訓練好的模型保存到指定路徑
• 預測：加載保存的模型并預測新樣本的類別。

訓練模型

在 src/ 中創(chuàng)建一個名為 train.php 的腳本來訓練模型。

composer dump-autoload

運行此腳本來訓練模型：

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);
    }
}

預測新樣本

在 src/ 中創(chuàng)建另一個腳本，predict.php，根據訓練的模型對新文章進行分類。

<?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();

運行預測腳本對樣本進行分類：

php src/train.php

輸出應顯示每個示例文本及其預測類別。

最后的想法

通過本指南，您已經使用 Rubix ML 在 PHP 中成功構建了一個簡單的新聞分類器！這展示了 PHP 如何比您想象的更加通用，為文本分類、推薦系統等任務引入機器學習功能。該項目的完整代碼可在 GitHub 上獲取。

嘗試不同的算法或數據來擴展分類器。誰知道 PHP 可以進行機器學習？現在你知道了。
快樂編碼！

以上是PHP 中的機器學習：使用 Rubix ML 構建新聞分類器的詳細內容。更多信息請關注PHP中文網其他相關文章！