導入
機械学習はあらゆるところに使われており、映画の推奨、画像のタグ付け、そして今ではニュース記事の分類にも使用されています。 PHP 内でそれができるかどうか想像してみてください。 Rubix ML を使用すると、簡単でアクセスしやすい方法で機械学習のパワーを PHP に導入できます。このガイドでは、記事を「スポーツ」や「テクノロジー」などのカテゴリに分類する簡単なニュース分類子を構築する手順を説明します。最終的には、新しい記事の内容に基づいてカテゴリを予測できる実用的な分類器が完成します。
このプロジェクトは、PHP を使用した機械学習に少し足を踏み入れたい初心者に最適で、GitHub で完全なコードに従うことができます。
目次
- Rubix ML とは何ですか?
- プロジェクトのセットアップ
- ニュース分類クラスの作成
- モデルのトレーニング
- 新しいサンプルの予測
- 最終的な感想
Rubix MLとは何ですか?
Rubix ML は、ML ツールとアルゴリズムを PHP に適した環境に組み込む、PHP 用の機械学習ライブラリです。分類、回帰、クラスタリング、さらには自然言語処理に取り組んでいる場合でも、Rubix ML が対応します。これにより、データのロードと前処理、モデルのトレーニング、パフォーマンスの評価をすべて PHP で行うことができます。
Rubix ML は、次のような幅広い機械学習タスクをサポートします。
- 分類: 電子メールをスパムまたはスパムではないというラベル付けなど、データを分類します。
- 回帰: 住宅価格などの連続値を予測します。
- クラスタリング: 顧客セグメントの検索など、ラベルを付けずにデータをグループ化します。
- 自然言語処理 (NLP): テキスト データのトークン化や ML で使用可能な形式への変換などの作業。
Rubix ML を使用して、PHP で単純なニュース分類子を構築する方法を詳しく見てみましょう!
プロジェクトのセットアップ
まず、Rubix ML を使用して新しい PHP プロジェクトをセットアップし、自動読み込みを構成します。
ステップ 1: プロジェクト ディレクトリを初期化する
新しいプロジェクト ディレクトリを作成し、そこに移動します:
mkdir NewsClassifier cd NewsClassifier
ステップ 2: Composer を使用して Rubix ML をインストールする
Composer がインストールされていることを確認し、次のコマンドを実行して Rubix ML をプロジェクトに追加します。
composer require rubix/ml
ステップ 3:composer.json で自動ロードを構成する
プロジェクトの src ディレクトリからクラスを自動ロードするには、composer.json ファイルを開くか作成し、次の構成を追加します。
{ "autoload": { "psr-4": { "NewsClassifier\": "src/" } }, "require": { "rubix/ml": "^2.5" } }
これは、NewsClassifier 名前空間の下の src フォルダー内のクラスを自動ロードするように Composer に指示します。
ステップ 4: Composer 自動ロード ダンプを実行する
オートロード構成を追加した後、次のコマンドを実行して Composer のオートローダーを再生成します。
mkdir NewsClassifier cd NewsClassifier
ステップ 5: ディレクトリ構造
プロジェクト ディレクトリは次のようになります:
composer require rubix/ml
- src/: PHP スクリプトが含まれます。
- storage/: トレーニングされたモデルが保存される場所。
- vendor/: Composer によってインストールされた依存関係が含まれます。
ニュース分類クラスの作成
src/ で、Classification.php というファイルを作成します。このファイルには、モデルをトレーニングし、ニュース カテゴリを予測するためのメソッドが含まれます。
{ "autoload": { "psr-4": { "NewsClassifier\": "src/" } }, "require": { "rubix/ml": "^2.5" } }
この分類クラスには次のメソッドが含まれています:
- トレーニング: パイプラインベースのモデルを作成してトレーニングします。
- モデルを保存: トレーニングされたモデルを指定されたパスに保存します。
- 予測: 保存されたモデルをロードし、新しいサンプルのカテゴリを予測します。
モデルのトレーニング
モデルをトレーニングするために、src/ に train.php というスクリプトを作成します。
composer dump-autoload
次のスクリプトを実行してモデルをトレーニングします:
NewsClassifier/ ├── src/ │ ├── Classification.php │ └── train.php ├── storage/ ├── vendor/ ├── composer.json └── composer.lock
成功すると、以下が表示されます:
<?php namespace NewsClassifier; use Rubix\ML\Classifiers\KNearestNeighbors; use Rubix\ML\Datasets\Labeled; use Rubix\ML\Datasets\Unlabeled; use Rubix\ML\PersistentModel; use Rubix\ML\Pipeline; use Rubix\ML\Tokenizers\Word; use Rubix\ML\Transformers\TfIdfTransformer; use Rubix\ML\Transformers\WordCountVectorizer; use Rubix\ML\Persisters\Filesystem; 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); } }
新しいサンプルの予測
トレーニングされたモデルに基づいて新しい記事を分類するために、src/ に別のスクリプト、predict.php を作成します。
<?php require __DIR__ . '/../vendor/autoload.php'; use NewsClassifier\Classification; // 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();
予測スクリプトを実行してサンプルを分類します:
php src/train.php
出力には、各サンプル テキストとその予測されたカテゴリが表示されます。
最終的な考え
このガイドでは、Rubix ML を使用して PHP で単純なニュース分類器を構築することに成功しました。これは、PHP が想像以上に多用途であり、テキスト分類や推奨システムなどのタスクに機械学習機能を組み込むことができることを示しています。このプロジェクトの完全なコードは GitHub で入手できます。
さまざまなアルゴリズムやデータを試して、分類器を拡張します。 PHP で機械学習ができるなんて誰が知っていたでしょうか?さあ、そうしましょう。
コーディングを楽しんでください!
以上がPHP での機械学習: Rubix ML を使用してニュース分類器を構築するの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

負荷分散はセッション管理に影響しますが、セッションの複製、セッションの粘着性、集中セッションストレージで解決できます。 1。セッションレプリケーションサーバー間のセッションデータをコピーします。 2。セッションスティンネスは、ユーザーリクエストを同じサーバーに指示します。 3.集中セッションストレージは、Redisなどの独立したサーバーを使用してセッションデータを保存してデータ共有を確保します。

SESSIONLOCKINGISATECHNIQUESTOESUREAUSER'SSESSIONREMAINSEXCLUSIVETOONEUSATIME.ITISCRUCIALFORPREVENTINGDATACORTIONANDSECURITYBREACHESINMULTI-USERAPPLICATIONS.SESSIONLOCKINGISISIMPLEMENTEDUSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGSINGROCKINGSMECHANISMなど

PHPセッションの代替品には、Cookie、トークンベースの認証、データベースベースのセッション、Redis/Memcachedが含まれます。 1.Cookiesは、クライアントにデータを保存することによりセッションを管理します。 2.トークンベースの認証はトークンを使用してユーザーを検証します。これは非常に安全ですが、追加のロジックが必要です。 3.Databaseベースのセッションは、データベースにデータを保存します。これは、スケーラビリティが良好ですが、パフォーマンスに影響を与える可能性があります。 4. Redis/Memcachedは分散キャッシュを使用してパフォーマンスとスケーラビリティを向上させますが、追加のマッチングが必要です

SessionHijackingとは、ユーザーのSessionIDを取得してユーザーになりすましている攻撃者を指します。予防方法には、次のものが含まれます。1)HTTPSを使用した通信の暗号化。 2)SessionIDのソースの検証。 3)安全なSessionID生成アルゴリズムの使用。 4)SessionIDを定期的に更新します。

この記事では、PHPについて説明し、その完全なフォーム、Web開発での主要な使用、PythonとJavaとの比較、および初心者の学習のしやすさについて説明します。

PHPは、$ \ _ postおよび$ \ _を使用してフォームデータを処理し、検証、消毒、安全なデータベースインタラクションを通じてセキュリティを確保します。

この記事では、PHPとASP.NETを比較して、大規模なWebアプリケーション、パフォーマンスの違い、セキュリティ機能への適合性に焦点を当てています。どちらも大規模なプロジェクトでは実行可能ですが、PHPはオープンソースであり、プラットフォームに依存しませんが、ASP.NET、

PHPの症例感度は変化します:関数は鈍感であり、変数とクラスは感度があります。ベストプラクティスには、一貫した命名と、比較のためにケース非感受性関数を使用することが含まれます。


ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

Video Face Swap
完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。

人気の記事

ホットツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

SAP NetWeaver Server Adapter for Eclipse
Eclipse を SAP NetWeaver アプリケーション サーバーと統合します。

AtomエディタMac版ダウンロード
最も人気のあるオープンソースエディター

SecLists
SecLists は、セキュリティ テスターの究極の相棒です。これは、セキュリティ評価中に頻繁に使用されるさまざまな種類のリストを 1 か所にまとめたものです。 SecLists は、セキュリティ テスターが必要とする可能性のあるすべてのリストを便利に提供することで、セキュリティ テストをより効率的かつ生産的にするのに役立ちます。リストの種類には、ユーザー名、パスワード、URL、ファジング ペイロード、機密データ パターン、Web シェルなどが含まれます。テスターはこのリポジトリを新しいテスト マシンにプルするだけで、必要なあらゆる種類のリストにアクセスできるようになります。

SublimeText3 Linux 新バージョン
SublimeText3 Linux 最新バージョン

ホットトピック









