如何使用JavaScript构建机器学习模型

本文和大家分享的主要是使用javascript构建机器学习模型相关内容，一起来看看吧，希望对大家学习javascript有所帮助。

　　

　　JavaScript？我不是应该使用 Python 吗？甚至 Scikit-learn 在 JavaScript 上都不工作。

　　这是可能的，实际上，连我自己都惊讶于开发者对此忽视的态度。就 Scikit-learn 而言，Javascript 的开发者事实上已经推出了适用的库，它会在本文中有所提及。那么，让我们看看 Javascript 在机器学习上能够做什么吧。

　　根据人工智能先驱 Arthur Samuel 的说法，机器学习为计算机提供了无需明确编程的学习能力。换句话说，它使得计算机能够自我学习并执行正确的指令，无需人类提供全部指导。

　　谷歌已经把自己移动优先的策略转换到人工智能优先很久了。

　　为什么 JavaScript 在机器学习界未被提及过？

　　．慢（真的假的？）

　　．矩阵操作很困难（这里有库，比如 math.js）

　　．仅用于 Web 开发（然而这里还有 Node.js）

　　．机器学习库通常是在 Python 上的（还好，JS 的开发者人数也不少）

　　在 JavaScript 中有一些可供使用的预制库，其中包含一些机器学习算法，如线性回归、SVM、朴素贝叶斯等等，以下是其中的一部分。

　　．brain.js（神经网络）

　　．Synaptic（神经网络）

　　．Natural（自然语言处理）

　　．ConvNetJS（卷积神经网络）

　　．mljs（一组具有多种功能的子库）

　　首先，我们将使用 mljs 回归库来进行一些线性回归操作。

　　1. 安装库

　　$ npm install ml-regression csvtojson

　　ml-regression 正如其名，负责机器学习的线性回归。

　　csvtojson 是一个用于 node.js 的快速 CSV 解析器，它允许加载 CSV 数据文件并将其转换为 JSON。

　　2. 初始化并加载数据

　　下载数据文件（.csv），并将其加入你的项目。

　　链接：http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv

　　如果你已经初始化了一个空的 npm 项目，打开 index.js，输入以下代码。

　　const ml = require('ml-regression');

　　const csv = require('csvtojson');

　　const SLR = ml.SLR; // Simple Linear Regression

　　const csvFilePath = 'advertising.csv'; // Data

　　let csvData = [], // parsed Data

　　X = [], // Input

　　y = []; // Output

　　我把文件放在了项目的根目录下，如果你想放在其他地方，请记得更新 csvFilePath。

　　现在我们使用 csvtojson 的 fromFile 方法加载数据文件：

　　csv()

　　.fromFile(csvFilePath)

　　.on('json', (jsonObj) => {

　　csvData.push(jsonObj);

　　})

　　.on('done', () => {

　　dressData(); // To get data points from JSON Objects

　　performRegression();

　　});

　　3. 打包数据，准备执行

　　JSON 对象被存储在 csvData 中，我们还需要输入数据点数组和输出数据点。我们通过一个填充 X 和 Y 变量的 dressData 函数来运行数据。

　　function dressData() {

　　/**

　　* One row of the data object looks like:

　　* {

　　* TV: "10",

　　* Radio: "100",

　　* Newspaper: "20",

　　* "Sales": "1000"

　　* }

　　*

　　* Hence, while adding the data points,

　　* we need to parse the String value as a Float.

　　*/

　　csvData.forEach((row) => {

　　X.push(f(row.Radio));

　　y.push(f(row.Sales));

　　});

　　}

　　function f(s) {

　　return parseFloat(s);

　　}

　　4. 训练模型开始预测

　　数据已经打包完毕，是时候训练我们的模型了。

　　为此，我们需要写一个 performRegression 函数：

　　function performRegression() {

　　regressionModel = new SLR(X, y); // Train the model on training data

　　console.log(regressionModel.toString(3));

　　predictOutput();

　　}

　　performRegression 函数有一个方法 toString，它为浮点输出获取一个名为 precision 的参数。predictOutput 函数能让你输入数值，然后将模型的输出传到控制台。它是这样的（注意，我使用的是 Node.js 的 readline 工具）：

　　function predictOutput() {

　　rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {

　　console.log(`At X = ${answer}, y = ${regressionModel.predict(parseFloat(answer))}`);

　　predictOutput();

　　});

　　}

　　以下是为了增加阅读用户的代码

　　const readline = require('readline'); // For user prompt to allow predictions

　　const rl = readline.createInterface({

　　input: process.stdin,

　　output: process.stdout

　　});

　　5. 大功告成！

　　遵循以上步骤，你的 index.js 应该是这样：

　　const ml = require('ml-regression');

　　const csv = require('csvtojson');

　　const SLR = ml.SLR; // Simple Linear Regression

　　const csvFilePath = 'advertising.csv'; // Data

　　let csvData = [], // parsed Data

　　X = [], // Input

　　y = []; // Output

　　let regressionModel;

　　const readline = require('readline'); // For user prompt to allow predictions

　　const rl = readline.createInterface({

　　input: process.stdin,

　　output: process.stdout

　　});

　　csv()

　　.fromFile(csvFilePath)

　　.on('json', (jsonObj) => {

　　csvData.push(jsonObj);

　　})

　　.on('done', () => {

　　dressData(); // To get data points from JSON Objects

　　performRegression();

　　});

　　function performRegression() {

　　regressionModel = new SLR(X, y); // Train the model on training data

　　console.log(regressionModel.toString(3));

　　predictOutput();

　　}

　　function dressData() {

　　/**

　　* One row of the data object looks like:

　　* {

　　*   TV: "10",

　　*   Radio: "100",

　　*   Newspaper: "20",

　　*   "Sales": "1000"

　　* }

　　*

　　* Hence, while adding the data points,

　　* we need to parse the String value as a Float.

　　*/

　　csvData.forEach((row) => {

　　X.push(f(row.Radio));

　　y.push(f(row.Sales));

　　});

　　}

　　function f(s) {

　　return parseFloat(s);

　　}

　　function predictOutput() {

　　rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {

　　console.log(`At X = ${answer}, y =  ${regressionModel.predict(parseFloat(answer))}`);

　　predictOutput();

　　});

　　}

　　到你的终端上运行 node index.js，得到的输出会是这样：

　　$ node index.js

　　f(x) = 0.202 * x + 9.31

　　Enter input X for prediction (Press CTRL+C to exit) : 151.5

　　At X = 151.5, y = 39.98974927911285

　　Enter input X for prediction (Press CTRL+C to exit) :

 

 

来源：网络