成人无码区免费a∨直播,97精品人妻一区二区三区香蕉

是的，機(jī)器學(xué)習(xí)和PHP呢？幸運(yùn)的是，有人瘋狂地不僅提出了這個(gè)問題，而且還開發(fā)了一個(gè)通用的機(jī)器學(xué)習(xí)庫，我們可以在下一個(gè)項(xiàng)目中使用它。在這篇文章中，我們將看看PHP-ML——一個(gè)用于PHP的機(jī)器學(xué)習(xí)庫——我們將編寫一個(gè)情感分析類，稍后可以將其重用于我們自己的聊天機(jī)器人或推特機(jī)器人。這篇文章的主要目標(biāo)是：

探索機(jī)器學(xué)習(xí)和情感分析周圍的一般概念
審查PHP-ML的功能和缺點(diǎn)
定義我們將要處理的問題
證明嘗試在PHP中進(jìn)行機(jī)器學(xué)習(xí)并非完全瘋狂的目標(biāo)（可選）

閱讀更好的PHP開發(fā)工具和技術(shù)，使你成為更好的開發(fā)者！ How to Analyze Tweet Sentiments with PHP Machine Learning 閱讀此書閱讀此書！

關(guān)鍵要點(diǎn)

PHP-ML是一個(gè)通用的PHP機(jī)器學(xué)習(xí)庫，適用于小型應(yīng)用程序，例如情感分析。
本教程演示了如何使用PHP-ML構(gòu)建一個(gè)專門用于分析推文的情感分析工具，重點(diǎn)介紹監(jiān)督學(xué)習(xí)技術(shù)。
情感分析的關(guān)鍵步驟是準(zhǔn)備數(shù)據(jù)，這包括從數(shù)據(jù)集中選擇相關(guān)的特征和標(biāo)簽。
文本數(shù)據(jù)需要特定的預(yù)處理，例如標(biāo)記化和矢量化，才能將推文轉(zhuǎn)換為適合機(jī)器學(xué)習(xí)模型的格式。
例子中使用了樸素貝葉斯分類器，因?yàn)樗唵吻矣行У靥幚矸诸悢?shù)據(jù)。
本文強(qiáng)調(diào)了干凈且相關(guān)的數(shù)據(jù)集對于訓(xùn)練模型以確保準(zhǔn)確的情感分類的重要性。

什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，它專注于賦予“計(jì)算機(jī)無需明確編程即可學(xué)習(xí)的能力”。這是通過使用可以從特定數(shù)據(jù)集“學(xué)習(xí)”的通用算法來實(shí)現(xiàn)的。

例如，機(jī)器學(xué)習(xí)的一個(gè)常見用途是分類。分類算法用于將數(shù)據(jù)分成不同的組或類別。分類應(yīng)用程序的一些示例包括：

電子郵件垃圾郵件過濾器
市場細(xì)分
欺詐檢測

機(jī)器學(xué)習(xí)是一個(gè)涵蓋許多不同任務(wù)的通用算法的總稱，并且根據(jù)學(xué)習(xí)方式主要分為兩種算法類型——監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。

監(jiān)督學(xué)習(xí)

在監(jiān)督學(xué)習(xí)中，我們使用標(biāo)記數(shù)據(jù)來訓(xùn)練我們的算法，標(biāo)記數(shù)據(jù)采用輸入對象（向量）和所需輸出值的格式；算法分析訓(xùn)練數(shù)據(jù)并產(chǎn)生所謂的推斷函數(shù)，我們可以將其應(yīng)用于新的未標(biāo)記數(shù)據(jù)集。

在本帖的其余部分，我們將重點(diǎn)關(guān)注監(jiān)督學(xué)習(xí)，因?yàn)樗菀卓吹胶万?yàn)證關(guān)系；請記住，這兩種算法同樣重要且有趣；有人可能會(huì)認(rèn)為無監(jiān)督學(xué)習(xí)更有用，因?yàn)樗懦藰?biāo)記數(shù)據(jù)的需求。

無監(jiān)督學(xué)習(xí)

另一方面，這種類型的學(xué)習(xí)從一開始就使用未標(biāo)記的數(shù)據(jù)。我們不知道數(shù)據(jù)集的所需輸出值，我們讓算法從數(shù)據(jù)集中得出推論；無監(jiān)督學(xué)習(xí)在進(jìn)行探索性數(shù)據(jù)分析以查找數(shù)據(jù)中的隱藏模式時(shí)特別方便。

PHP-ML

認(rèn)識(shí)PHP-ML，一個(gè)聲稱是PHP機(jī)器學(xué)習(xí)新方法的庫。該庫實(shí)現(xiàn)了算法、神經(jīng)網(wǎng)絡(luò)和工具，用于進(jìn)行數(shù)據(jù)預(yù)處理、交叉驗(yàn)證和特征提取。

我首先承認(rèn)，PHP是機(jī)器學(xué)習(xí)的不尋常選擇，因?yàn)樵撜Z言的優(yōu)勢并不太適合機(jī)器學(xué)習(xí)應(yīng)用程序。也就是說，并非每個(gè)機(jī)器學(xué)習(xí)應(yīng)用程序都需要處理PB級(jí)數(shù)據(jù)并進(jìn)行大量計(jì)算——對于簡單的應(yīng)用程序，我們應(yīng)該能夠使用PHP和PHP-ML。

我現(xiàn)在能看到的這個(gè)庫最好的用例是分類器的實(shí)現(xiàn)，無論是垃圾郵件過濾器還是情感分析。我們將定義一個(gè)分類問題，并逐步構(gòu)建解決方案，以了解如何在我們的項(xiàng)目中使用PHP-ML。

問題

為了舉例說明實(shí)現(xiàn)PHP-ML并將一些機(jī)器學(xué)習(xí)添加到我們的應(yīng)用程序中的過程，我想找到一個(gè)有趣的問題來解決，還有什么比構(gòu)建一個(gè)推特情感分析類更好的方法來展示分類器呢？

構(gòu)建成功的機(jī)器學(xué)習(xí)項(xiàng)目所需的關(guān)鍵要求之一是良好的起始數(shù)據(jù)集。數(shù)據(jù)集至關(guān)重要，因?yàn)樗鼈儗⒃试S我們針對已分類的示例訓(xùn)練我們的分類器。由于媒體最近圍繞航空公司出現(xiàn)了大量噪音，還有什么比使用客戶對航空公司的推文更好的數(shù)據(jù)集呢？

幸運(yùn)的是，由于Kaggle.io，我們已經(jīng)可以使用推文數(shù)據(jù)集?？梢允褂么随溄訌钠渚W(wǎng)站下載Twitter美國航空公司情緒數(shù)據(jù)庫

解決方案

讓我們首先看看我們將要處理的數(shù)據(jù)集。原始數(shù)據(jù)集包含以下列：

tweet_id
airline_sentiment
airline_sentiment_confidence
negativereason
negativereason_confidence
airline
airline_sentiment_gold
name
negativereason_gold
retweet_count
text
tweet_coord
tweet_created
tweet_location
user_timezone

并且看起來像下面的例子（可側(cè)向滾動(dòng)的表格）：

tweet_id airline_sentiment airline_sentiment_confidence negativereason negativereason_confidence airline airline_sentiment_gold name negativereason_gold retweet_count text tweet_coord tweet_created tweet_location user_timezone 570306133677760513 neutral 1.0 Virgin America cairdin 0 @VirginAmerica What @dhepburn said. 2015-02-24 11:35:52 -0800 Eastern Time (US & Canada) 570301130888122368 positive 0.3486 0.0 Virgin America jnardino 0 @VirginAmerica plus you’ve added commercials to the experience… tacky. 2015-02-24 11:15:59 -0800 Pacific Time (US & Canada) 570301083672813571 neutral 0.6837 Virgin America yvonnalynn 0 @VirginAmerica I didn’t today… Must mean I need to take another trip! 2015-02-24 11:15:48 -0800 Lets Play Central Time (US & Canada) 570301031407624196 negative 1.0 Bad Flight 0.7033 Virgin America jnardino 0 “@VirginAmerica it’s really aggressive to blast obnoxious “”entertainment”” in your guests’ faces & they have little recourse” 2015-02-24 11:15:36 -0800 Pacific Time (US & Canada) 570300817074462722 negative 1.0 Can’t Tell 1.0 Virgin America jnardino 0 @VirginAmerica and it’s a really big bad thing about it 2015-02-24 11:14:45 -0800 Pacific Time (US & Canada) 570300767074181121 negative 1.0 Can’t Tell 0.6842 Virgin America jnardino 0 “@VirginAmerica seriously would pay $30 a flight for seats that didn’t have this playing. it’s really the only bad thing about flying VA” 2015-02-24 11:14:33 -0800 Pacific Time (US & Canada) 570300616901320704 positive 0.6745 0.0 Virgin America cjmcginnis 0 “@VirginAmerica yes nearly every time I fly VX this “ear worm” won’t go away :)” 2015-02-24 11:13:57 -0800 San Francisco CA Pacific Time (US & Canada) 570300248553349120 neutral 0.634 Virgin America pilot 0 “@VirginAmerica Really missed a prime opportunity for Men Without Hats parody there. http://www.miracleart.cn/link/76379ed89eafe43c8f6bd64fd09e3852” 2015-02-24 11:12:29 -0800 Los Angeles Pacific Time (US & Canada) 該文件包含14,640條推文，因此對于我們來說是一個(gè)不錯(cuò)的工作數(shù)據(jù)集?，F(xiàn)在，使用我們當(dāng)前可用的列數(shù)，我們擁有比示例所需更多的數(shù)據(jù)；出于實(shí)際目的，我們只關(guān)心以下列：

text
airline_sentiment

其中text將成為我們的特征，airline_sentiment將成為我們的目標(biāo)。其余列可以丟棄，因?yàn)樗鼈儾粫?huì)用于我們的練習(xí)。讓我們從創(chuàng)建項(xiàng)目開始，并使用以下文件初始化composer：

<code>{
    "name": "amacgregor/phpml-exercise",
    "description": "Example implementation of a Tweet sentiment analysis with PHP-ML",
    "type": "project",
    "require": {
        "php-ai/php-ml": "^0.4.1"
    },
    "license": "Apache License 2.0",
    "authors": [
        {
            "name": "Allan MacGregor",
            "email": "amacgregor@allanmacgregor.com"
        }
    ],
    "autoload": {
        "psr-4": {"PhpmlExercise\": "src/"}
    },
    "minimum-stability": "dev"
}</code>

<code>composer install
</code>

如果您需要 Composer 入門介紹，請參見此處。

為了確保我們正確設(shè)置，讓我們創(chuàng)建一個(gè)快速腳本，它將加載我們的Tweets.csv數(shù)據(jù)文件并確保它具有我們需要的數(shù)據(jù)。將以下代碼復(fù)制為項(xiàng)目根目錄中的reviewDataset.php：

<?php namespace PhpmlExercise;

require __DIR__ . '/vendor/autoload.php';

use Phpml\Dataset\CsvDataset;

$dataset = new CsvDataset('datasets/raw/Tweets.csv',1);

foreach ($dataset->getSamples() as $sample) {
    print_r($sample);
}

現(xiàn)在，使用php reviewDataset.php運(yùn)行腳本，讓我們查看輸出：

<code>Array( [0] => 569587371693355008 )
Array( [0] => 569587242672398336 )
Array( [0] => 569587188687634433 )
Array( [0] => 569587140490866689 )
</code>

現(xiàn)在這看起來沒用，不是嗎？讓我們看看CsvDataset類，以便更好地了解內(nèi)部發(fā)生的情況：

<?php 
    public function __construct(string $filepath, int $features, bool $headingRow = true)
    {
        if (!file_exists($filepath)) {
            throw FileException::missingFile(basename($filepath));
        }

        if (false === $handle = fopen($filepath, 'rb')) {
            throw FileException::cantOpenFile(basename($filepath));
        }

        if ($headingRow) {
            $data = fgetcsv($handle, 1000, ',');
            $this->columnNames = array_slice($data, 0, $features);
        } else {
            $this->columnNames = range(0, $features - 1);
        }

        while (($data = fgetcsv($handle, 1000, ',')) !== false) {
            $this->samples[] = array_slice($data, 0, $features);
            $this->targets[] = $data[$features];
        }
        fclose($handle);
    }

CsvDataset構(gòu)造函數(shù)采用3個(gè)參數(shù)：

源CSV的文件路徑
指定文件中特征數(shù)量的整數(shù)
布爾值，指示第一行是否為標(biāo)題

如果我們仔細(xì)觀察，我們可以看到該類正在將CSV文件映射到兩個(gè)內(nèi)部數(shù)組：samples和targets。Samples包含文件提供的所有特征，而targets包含已知值（負(fù)、正或中性）。

基于上述內(nèi)容，我們可以看到我們的CSV文件需要遵循的格式如下：

<code>| feature_1 | feature_2 | feature_n | target | </code>

我們將需要生成一個(gè)干凈的數(shù)據(jù)集，其中只包含我們需要繼續(xù)工作的列。讓我們將此腳本稱為generateCleanDataset.php：

<?php namespace PhpmlExercise;

require __DIR__ . '/vendor/autoload.php';

use Phpml\Exception\FileException;

$sourceFilepath         = __DIR__ . '/datasets/raw/Tweets.csv';
$destinationFilepath    = __DIR__ . '/datasets/clean_tweets.csv';

$rows =[];

$rows = getRows($sourceFilepath, $rows);
writeRows($destinationFilepath, $rows);


/**
 * @param $filepath
 * @param $rows
 * @return array
 */
function getRows($filepath, $rows)
{
    $handle = checkFilePermissions($filepath);

    while (($data = fgetcsv($handle, 1000, ',')) !== false) {
        $rows[] = [$data[10], $data[1]];
    }
    fclose($handle);
    return $rows;
}

/**
 * @param $filepath
 * @param string $mode
 * @return bool|resource
 * @throws FileException
 */
function checkFilePermissions($filepath, $mode = 'rb')
{
    if (!file_exists($filepath)) {
        throw FileException::missingFile(basename($filepath));
    }

    if (false === $handle = fopen($filepath, $mode)) {
        throw FileException::cantOpenFile(basename($filepath));
    }
    return $handle;
}

/**
 * @param $filepath
 * @param $rows
 * @internal param $list
 */
function writeRows($filepath, $rows)
{
    $handle = checkFilePermissions($filepath, 'wb');

    foreach ($rows as $row) {
        fputcsv($handle, $row);
    }

    fclose($handle);
}

沒有什么太復(fù)雜的，只是足以完成這項(xiàng)工作。讓我們用php generateCleanDataset.php執(zhí)行它。

現(xiàn)在，讓我們將reviewDataset.php腳本指向干凈的數(shù)據(jù)集：

<code>Array
(
    [0] => @AmericanAir That will be the third time I have been called by 800-433-7300 an hung on before anyone speaks. What do I do now???
)
Array
(
    [0] => @AmericanAir How clueless is AA. Been waiting to hear for 2.5 weeks about a refund from a Cancelled Flightled flight & been on hold now for 1hr 49min
)</code>

BAM！這是我們可以使用的數(shù)據(jù)！到目前為止，我們一直在創(chuàng)建用于操作數(shù)據(jù)的簡單腳本。接下來，我們將開始在src/classification/SentimentAnalysis.php下創(chuàng)建一個(gè)新類。

<?php namespace PhpmlExercise\Classification;

/**
 * Class SentimentAnalysis
 * @package PhpmlExercise\Classification
 */
class SentimentAnalysis { 
    public function train() {}
    public function predict() {}
}

我們的情感類將需要在我們的情感分析類中使用兩個(gè)函數(shù)：

一個(gè)訓(xùn)練函數(shù)，它將采用我們的數(shù)據(jù)集訓(xùn)練樣本和標(biāo)簽以及一些可選參數(shù)。
一個(gè)預(yù)測函數(shù)，它將采用未標(biāo)記的數(shù)據(jù)集并根據(jù)訓(xùn)練數(shù)據(jù)分配一組標(biāo)簽。

在項(xiàng)目的根目錄中創(chuàng)建一個(gè)名為classifyTweets.php的腳本。我們將使用此腳本來實(shí)例化和測試我們的情感分析類。這是我們將使用的模板：

<?php 
namespace PhpmlExercise;
use PhpmlExercise\Classification\SentimentAnalysis;

require __DIR__ . '/vendor/autoload.php';

// 步驟 1：加載數(shù)據(jù)集

// 步驟 2：準(zhǔn)備數(shù)據(jù)集

// 步驟 3：生成訓(xùn)練/測試數(shù)據(jù)集

// 步驟 4：訓(xùn)練分類器

// 步驟 5：測試分類器的準(zhǔn)確性

步驟 1：加載數(shù)據(jù)集

我們已經(jīng)擁有可以用于將CSV加載到我們早期示例中的數(shù)據(jù)集對象的代碼。我們將使用相同的代碼并進(jìn)行一些調(diào)整：

<?php ...
use Phpml\Dataset\CsvDataset;
...
$dataset = new CsvDataset('datasets/clean_tweets.csv',1);

$samples = [];
foreach ($dataset->getSamples() as $sample) {
    $samples[] = $sample[0];
}

這將生成一個(gè)僅包含特征（在本例中為推文文本）的扁平數(shù)組，我們將使用它來訓(xùn)練我們的分類器。

步驟 2：準(zhǔn)備數(shù)據(jù)集

現(xiàn)在，擁有原始文本并將該文本傳遞給分類器將不會(huì)有用或準(zhǔn)確，因?yàn)槊織l推文本質(zhì)上都是不同的。幸運(yùn)的是，在嘗試應(yīng)用分類或機(jī)器學(xué)習(xí)算法時(shí)，有一些方法可以處理文本。對于此示例，我們將使用以下兩個(gè)類：

令牌計(jì)數(shù)向量化器：這會(huì)將文本樣本集合轉(zhuǎn)換為令牌計(jì)數(shù)向量。本質(zhì)上，我們推文中的每個(gè)詞都成為一個(gè)唯一的數(shù)字，并跟蹤特定文本樣本中某個(gè)詞出現(xiàn)的次數(shù)。
Tf-idf轉(zhuǎn)換器：term frequency–inverse document frequency的縮寫，是一種數(shù)值統(tǒng)計(jì)量，旨在反映某個(gè)詞對集合或語料庫中文檔的重要性。

讓我們從文本向量化器開始：

<code>{
    "name": "amacgregor/phpml-exercise",
    "description": "Example implementation of a Tweet sentiment analysis with PHP-ML",
    "type": "project",
    "require": {
        "php-ai/php-ml": "^0.4.1"
    },
    "license": "Apache License 2.0",
    "authors": [
        {
            "name": "Allan MacGregor",
            "email": "amacgregor@allanmacgregor.com"
        }
    ],
    "autoload": {
        "psr-4": {"PhpmlExercise\": "src/"}
    },
    "minimum-stability": "dev"
}</code>

接下來，應(yīng)用Tf-idf轉(zhuǎn)換器：

<code>composer install
</code>

我們的samples數(shù)組現(xiàn)在采用了一種格式，可以很容易地被我們的分類器理解。我們還沒完成，我們需要用其相應(yīng)的情緒標(biāo)記每個(gè)樣本。

步驟 3：生成訓(xùn)練數(shù)據(jù)集

幸運(yùn)的是，PHP-ML已經(jīng)涵蓋了這個(gè)需求，代碼非常簡單：

<?php namespace PhpmlExercise;

require __DIR__ . '/vendor/autoload.php';

use Phpml\Dataset\CsvDataset;

$dataset = new CsvDataset('datasets/raw/Tweets.csv',1);

foreach ($dataset->getSamples() as $sample) {
    print_r($sample);
}

我們可以繼續(xù)使用此數(shù)據(jù)集并訓(xùn)練我們的分類器。但是，我們?nèi)鄙儆米黩?yàn)證的測試數(shù)據(jù)集，因此我們將“作弊”一點(diǎn)，并將我們的原始數(shù)據(jù)集分成兩部分：一個(gè)訓(xùn)練數(shù)據(jù)集和一個(gè)用于測試模型準(zhǔn)確性的更小得多的數(shù)據(jù)集。

<code>Array( [0] => 569587371693355008 )
Array( [0] => 569587242672398336 )
Array( [0] => 569587188687634433 )
Array( [0] => 569587140490866689 )
</code>

這種方法稱為交叉驗(yàn)證。該術(shù)語來自統(tǒng)計(jì)學(xué)，可以定義如下：

交叉驗(yàn)證，有時(shí)稱為旋轉(zhuǎn)估計(jì)，是一種模型驗(yàn)證技術(shù)，用于評(píng)估統(tǒng)計(jì)分析的結(jié)果將如何推廣到獨(dú)立數(shù)據(jù)集。它主要用于預(yù)測的目標(biāo)設(shè)置，并且想要估計(jì)預(yù)測模型在實(shí)踐中的準(zhǔn)確性?！?Wikipedia.com

步驟 4：訓(xùn)練分類器

最后，我們準(zhǔn)備返回并實(shí)現(xiàn)SentimentAnalysis類。如果你現(xiàn)在還沒注意到，機(jī)器學(xué)習(xí)的很大一部分是關(guān)于收集和操作數(shù)據(jù)；機(jī)器學(xué)習(xí)模型的實(shí)際實(shí)現(xiàn)往往涉及較少的內(nèi)容。

為了實(shí)現(xiàn)我們的情感分析類，我們有三種可用的分類算法：

支持向量分類
K最近鄰
樸素貝葉斯

對于此練習(xí)，我們將使用最簡單的一種，即樸素貝葉斯分類器，因此讓我們繼續(xù)更新我們的類以實(shí)現(xiàn)train方法：

<?php 
    public function __construct(string $filepath, int $features, bool $headingRow = true)
    {
        if (!file_exists($filepath)) {
            throw FileException::missingFile(basename($filepath));
        }

        if (false === $handle = fopen($filepath, 'rb')) {
            throw FileException::cantOpenFile(basename($filepath));
        }

        if ($headingRow) {
            $data = fgetcsv($handle, 1000, ',');
            $this->columnNames = array_slice($data, 0, $features);
        } else {
            $this->columnNames = range(0, $features - 1);
        }

        while (($data = fgetcsv($handle, 1000, ',')) !== false) {
            $this->samples[] = array_slice($data, 0, $features);
            $this->targets[] = $data[$features];
        }
        fclose($handle);
    }

如你所見，我們讓PHP-ML為我們完成所有繁重的工作。我們只是為我們的項(xiàng)目創(chuàng)建了一個(gè)很好的抽象。但是我們?nèi)绾沃牢覀兊姆诸惼魇欠裾娴脑谟?xùn)練和工作呢？是時(shí)候使用我們的testSamples和testLabels了。

步驟 5：測試分類器的準(zhǔn)確性

在我們繼續(xù)測試我們的分類器之前，我們確實(shí)必須實(shí)現(xiàn)預(yù)測方法：

<code>{
    "name": "amacgregor/phpml-exercise",
    "description": "Example implementation of a Tweet sentiment analysis with PHP-ML",
    "type": "project",
    "require": {
        "php-ai/php-ml": "^0.4.1"
    },
    "license": "Apache License 2.0",
    "authors": [
        {
            "name": "Allan MacGregor",
            "email": "amacgregor@allanmacgregor.com"
        }
    ],
    "autoload": {
        "psr-4": {"PhpmlExercise\": "src/"}
    },
    "minimum-stability": "dev"
}</code>

同樣，PHP-ML為我們提供了幫助，并為我們完成了所有繁重的工作。讓我們相應(yīng)地更新classifyTweets類：

<code>composer install
</code>

最后，我們需要一種方法來測試我們訓(xùn)練模型的準(zhǔn)確性；謝天謝地，PHP-ML也涵蓋了這一點(diǎn)，并且他們有幾個(gè)指標(biāo)類。在我們的例子中，我們對模型的準(zhǔn)確性感興趣。讓我們看看代碼：

<?php namespace PhpmlExercise;

require __DIR__ . '/vendor/autoload.php';

use Phpml\Dataset\CsvDataset;

$dataset = new CsvDataset('datasets/raw/Tweets.csv',1);

foreach ($dataset->getSamples() as $sample) {
    print_r($sample);
}

我們應(yīng)該看到類似以下內(nèi)容：

<code>Array( [0] => 569587371693355008 )
Array( [0] => 569587242672398336 )
Array( [0] => 569587188687634433 )
Array( [0] => 569587140490866689 )
</code>

結(jié)論

這篇文章有點(diǎn)長，所以讓我們回顧一下到目前為止我們學(xué)到了什么：

從一開始就擁有良好的數(shù)據(jù)集對于實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法至關(guān)重要。
監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的區(qū)別。
交叉驗(yàn)證在機(jī)器學(xué)習(xí)中的含義和用途。
向量化和轉(zhuǎn)換對于準(zhǔn)備用于機(jī)器學(xué)習(xí)的文本數(shù)據(jù)集至關(guān)重要。
如何通過使用PHP-ML的樸素貝葉斯分類器來實(shí)現(xiàn)Twitter情感分析。

這篇文章也作為PHP-ML庫的介紹，并希望讓你對該庫的功能以及如何在自己的項(xiàng)目中嵌入它有一個(gè)很好的了解。

最后，這篇文章絕非全面，還有很多需要學(xué)習(xí)、改進(jìn)和實(shí)驗(yàn)的地方；以下是一些想法，可以幫助你進(jìn)一步改進(jìn)：

將樸素貝葉斯算法替換為支持向量機(jī)算法。
如果你嘗試針對完整數(shù)據(jù)集（14,000行）運(yùn)行，你可能會(huì)注意到該過程的內(nèi)存密集程度。嘗試實(shí)現(xiàn)模型持久性，以便不必在每次運(yùn)行時(shí)都進(jìn)行訓(xùn)練。
將數(shù)據(jù)集生成移動(dòng)到它自己的輔助類中。

我希望你發(fā)現(xiàn)這篇文章有用。如果你有一些關(guān)于PHP-ML的應(yīng)用程序想法或任何問題，請隨時(shí)在下面的評(píng)論區(qū)中提出！

關(guān)于用于推文情感分析的PHP機(jī)器學(xué)習(xí)的常見問題解答 (FAQ)

如何提高情感分析的準(zhǔn)確性？

提高情感分析的準(zhǔn)確性涉及多種策略。首先，確保你的訓(xùn)練數(shù)據(jù)盡可能干凈和相關(guān)。這意味著刪除任何不相關(guān)的數(shù)據(jù)，例如停用詞、標(biāo)點(diǎn)符號(hào)和URL。其次，考慮使用更復(fù)雜的算法。雖然樸素貝葉斯分類器是一個(gè)很好的起點(diǎn)，但其他算法（如支持向量機(jī) (SVM) 或深度學(xué)習(xí)模型）可能會(huì)提供更好的結(jié)果。最后，考慮使用更大的數(shù)據(jù)集進(jìn)行訓(xùn)練。你的模型可以學(xué)習(xí)的數(shù)據(jù)越多，它就越準(zhǔn)確。

我是否可以使用PHP以外的其他語言進(jìn)行情感分析？

是的，你可以使用其他編程語言進(jìn)行情感分析。例如，Python 因其廣泛的機(jī)器學(xué)習(xí)庫（如NLTK、TextBlob和scikit-learn）而成為一種流行的選擇。但是，PHP也可以有效地用于情感分析，特別是如果你已經(jīng)熟悉該語言或你的項(xiàng)目是基于PHP框架構(gòu)建的。

如何處理情感分析中的諷刺和反語？

處理情感分析中的諷刺和反語是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。這些語言特征通常涉及說某事但意味著相反的意思，這對于機(jī)器學(xué)習(xí)模型來說很難理解。一種方法是使用可以理解上下文的更復(fù)雜的模型，例如深度學(xué)習(xí)模型。另一種方法是使用專門的諷刺檢測模型，該模型可以使用諷刺評(píng)論的數(shù)據(jù)集進(jìn)行訓(xùn)練。