JavaScript 関数を使用して機械学習の予測と分類を実装する

人工知能テクノロジーの発展に伴い、機械学習は人気の技術分野になりました。中でもJavaScriptは広く使われているプログラミング言語であり、その機能を利用して機械学習による予測や分類を実装することができます。次に、JavaScript 関数を使用して機械学習を実装する方法を見てみましょう。

まず最初に、非常に重要な JavaScript ライブラリである TensorFlow.js を導入する必要があります。このライブラリは、JavaScript で機械学習モデルを使用して予測と分類を行うのに役立ちます。コードを書き始める前に、このライブラリをインストールする必要があります。次のコマンドを使用してインストールできます:

npm install @tensorflow/tfjs

インストール後、JavaScript コードの作成を開始できます。

1. 線形回帰の実行

線形回帰は、最も基本的な機械学習手法の 1 つであり、データ間の関係を分析するための線形モデルを構築するのに役立ちます。 JavaScript では、TensorFlow.js ライブラリを使用して線形回帰を実装できます。簡単な例を次に示します:

// 定义输入数据
const xs = tf.tensor([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor([1, 3, 5, 7], [4, 1]);

// 定义模型和训练参数
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

// 训练模型
model.fit(xs, ys, {epochs: 100}).then(() => {
  // 预测
  const output = model.predict(tf.tensor([5], [1, 1]));
  output.print();
});

この例では、TensorFlow.js を使用して入力データを定義し、線形モデルを定義します。トレーニング パラメーターには、sgd オプティマイザーと平均二乗誤差が含まれます。モデルをトレーニングした後、predict 関数を使用して予測を行うことができます。

2. 画像分類

線形回帰に加えて、TensorFlow.js を画像分類に使用することもできます。以下は簡単な例です:

// 加载模型
const model = await tf.loadLayersModel('http://localhost:8000/model.json');

// 加载图像并进行预测
const img = new Image();
img.src = 'cat.jpg';
img.onload = async function() {
  const tensor = tf.browser.fromPixels(img)
      .resizeNearestNeighbor([224, 224]) // 调整图像大小
      .expandDims() // 扩展图像维度
      .toFloat() // 转换为浮点数
      .reverse(-1); // 反转通道

  const predictions = await model.predict(tensor).data();
  console.log(predictions);
}

この例では、まず事前トレーニングされたモデルを読み込み、loadLayersModel 関数を使用してそれを読み込みます。次に、画像をロードし、TensorFlow.js を使用してサイズ変更、次元の拡張、float への変換、チャネルの反転を行いました。最後に、predict 関数を使用して画像分類予測を行い、console.log 関数を使用して予測結果を出力します。

これら 2 つの例を通して、JavaScript 関数を使用して機械学習の予測と分類を実装するのは難しくないことがわかります。もちろん、これは単なる入門レベルの練習です。機械学習と JavaScript についてさらに詳しく知りたい場合は、関連する知識を深く学び、さらに練習する必要があります。

以上がJavaScript 関数を使用して機械学習の予測と分類を実装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。