机器学习无处不在——推荐电影、标记图像，现在甚至对新闻文章进行分类。想象一下如果您可以在 php 中做到这一点！借助 rubix ml，您可以以简单易懂的方式将机器学习的强大功能引入 php。本指南将引导您构建一个简单的新闻分类器，将文章分类为“体育”或“技术”等类别。最后，您将拥有一个工作分类器，可以根据新文章的内容预测其类别。
这个项目非常适合想要使用 php 进行机器学习的初学者，您可以按照 github 上的完整代码进行操作。
rubix ml 是一个 php 机器学习库，它将 ml 工具和算法引入 php 友好的环境中。无论您从事分类、回归、聚类，甚至自然语言处理，rubix ml 都能满足您的需求。它允许您加载和预处理数据、训练模型并评估性能——所有这些都在 php 中进行。
rubix ml 支持广泛的机器学习任务，例如：
让我们深入了解如何使用 rubix ml 在 php 中构建简单的新闻分类器！
我们将首先使用 rubix ml 设置一个新的 php 项目并配置自动加载。
创建一个新的项目目录并导航到其中：
mkdir newsclassifier cd newsclassifier
确保您已安装 composer，然后通过运行以下命令将 rubix ml 添加到您的项目中：
composer require rubix/ml
要从项目的 src 目录自动加载类，请打开或创建一个composer.json 文件并添加以下配置：
{
"autoload": {
"psr-4": {
"newsclassifier\": "src/"
}
},
"require": {
"rubix/ml": "^2.5"
}
}
这告诉 composer 自动加载 newsclassifier 命名空间下 src 文件夹中的任何类。
添加自动加载配置后，运行以下命令重新生成 composer 的自动加载器：
composer dump-autoload
您的项目目录应如下所示：
newsclassifier/ ├── src/ │ ├── classification.php │ └── train.php ├── storage/ ├── vendor/ ├── composer.json └── composer.lock
在 src/ 中，创建一个名为 classification.php 的文件。该文件将包含训练模型和预测新闻类别的方法。
<?php
namespace newsclassifier;
use rubixmlclassifiersknearestneighbors;
use rubixmldatasetslabeled;
use rubixmldatasetsunlabeled;
use rubixmlpersistentmodel;
use rubixmlpipeline;
use rubixmltokenizersword;
use rubixmltransformerstfidftransformer;
use rubixmltransformerswordcountvectorizer;
use rubixmlpersistersfilesystem;
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);
}
}
此分类类包含以下方法：
在 src/ 中创建一个名为 train.php 的脚本来训练模型。
<?php require __dir__ . '/../vendor/autoload.php'; use newsclassifierclassification; // 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();
运行此脚本来训练模型：
php src/train.php
如果成功，您将看到：
training completed and model saved.
在 src/ 中创建另一个脚本，predict.php，根据训练的模型对新文章进行分类。
<?php
require __dir__ . '/../vendor/autoload.php';
use newsclassifierclassification;
// define the path to the saved model
$modelpath = __dir__ . '/../storage/model.rbx';
// initialize the classification object
$classifier = new classification($modelpath);
// define new samples for classification
$samples = [
['the team played an amazing game of soccer, showing excellent teamwork and strategy.'],
['the latest programming language release introduces features that enhance coding efficiency.'],
['an incredible match between two top teams ended in a thrilling draw last night.'],
['this new tech gadget includes features never before seen, setting a new standard in the industry.'],
];
// predict categories
$predictions = $classifier->predict($samples);
// display predictions
foreach ($predictions as $index => $prediction) {
echo "sample: " . $samples[$index][0] . "n";
echo "prediction: " . $prediction . "nn";
}
运行预测脚本对样本进行分类：
php src/predict.php
输出应显示每个示例文本及其预测类别。
通过本指南，您已经使用 rubix ml 在 php 中成功构建了一个简单的新闻分类器！这展示了 php 如何比您想象的更加通用，为文本分类、推荐系统等任务引入机器学习功能。该项目的完整代码可在 github 上获取。
尝试不同的算法或数据来扩展分类器。谁知道 php 可以进行机器学习？现在你知道了。
快乐编码！
