phpml

基于PHP-ML库实现 机器学习

基于语言学习

基于语言学习，根据语言编码实现学习
 

分类学习

require_once ‘vendor/autoload.php’;

use Phpml\Classification\SVC;
use Phpml\SupportVectorMachine\Kernel;
/*
在模式识别领域中，最近邻居法（k-Nearest Neighbors algorithm，KNN算法，又译K-近邻算法）是一种用于分类和回归的非参数统计方法。
k-NN分类 
输入：包含特征空间中的 k 个最接近的训练样本。 
输出：一个分类族群。
k-NN回归 
输入：包含特征空间中的 k 个最接近的训练样本。 
输出：该对象的属性值。该值是其 k 个最近邻居的值的平均值。
*/use Phpml\Classification\KNearestNeighbors;
/*
基于应用贝叶斯定理(naive)强劲的独立假设之间的特性
*/use Phpml\Classification\NaiveBayes;
/*
说一个班级里面有三个男生（男生1、男生2,男生3），三个女生（女生1、女生2,女生3），其中
男生1 身高：176cm 体重：70kg；
男生2 身高：180cm 体重：80kg；
男生2 身高：186cm 体重：86kg；
女生1 身高：161cm 体重：45kg；
女生2 身高：163cm 体重：47kg；
女生3 身高：165cm 体重：49kg；
如果我们将男生定义为1，女生定义为-1(这里定义数值无所谓，你可以定义男生8，女生6，只要是数值就行)
*//*将上面的数据放入$samples数组里
*/$samples = [[176, 70], [180, 80], [161, 45], [163, 47], [186, 86], [165, 49]];
/*
在labels中存入男女生类别标签（1、-1）
*/$labels = [1, 1, -1, -1, 1, -1];
/*
我们现在采用libsvm来支持分类
下面我们采用线性分类
*/$classifier = new SVC(Kernel::LINEAR, $cost = 1000);
/* 对其进行训练 */$classifier->train($samples, $labels);
/*
下面我们采用近邻算法来实现机器学习分类
*/$classifier = new KNearestNeighbors();
$classifier->train($samples, $labels);
/*
下面我们采用贝叶斯来分类器实现机器学习分类
*/$classifier = new NaiveBayes();
$classifier->train($samples, $labels);
/* 预测 */echo $classifier-> predict ([190, 85]);
// return 1 代表男生
print_r($classifier->predict([[152, 44], [176, 78]]));
// return [-1, 1] 代表女生、男生
exit;
 

关联性规则学习

require_once 'vendor/autoload.php';
use Phpml\Association\Apriori;
/*
一个电商网站 统计6位用户购买习惯
A用户喜欢购买 衣服，鞋子, 辣条
B用户喜欢购买 辣条, 面条, 席子
C用户喜欢购买 衣服,席子, 面条
D用户喜欢购买 衣服,面条,鞋子
E用户喜欢购买 衣服, 面条, 辣条
F用户喜欢购买 衣服, 鞋子, 辣条
*//*将上面的数据放入$samples数组里
*/$samples = [['衣服', '鞋子', '辣条'], ['辣条', '面条', '席子'], ['衣服','席子', '面条'], ['衣服','面条','鞋子'],['衣服', '面条', '辣条'],['衣服', '鞋子', '辣条']];
$labels = [];
/*
参数 
support支持度
confidence 自信度 
*/$associator = new Apriori($support = 0.5, $confidence = 0.5);
/* 对其进行训练 */$associator->train($samples, $labels);
/*
假设又有一位G用户，他购买了衣服，
电商网站想要通过他购买的衣服给她推荐别的产品
以便他购买更多的商品
系统会根据以往用户的训练数据推断出G用户可能需要的商品
*/print_r($associator->predict(['衣服']));
//return Array ( [0] => Array ( [0] => 鞋子 ) [1] => Array ( [0] => 辣条 ) [2] => Array ( [0] => 面条 ) )
/*
总结：这种算法根据一些行为来推断下一个行为
*/ 

项目地址

github：
 码云：
 

参考文献：K码农-