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：https://github.com/qieangel2013/phpml   码云：https://gitee.com/qieangel2013/phpml