PHP의 기계 학습: Rubix ML을 사용하여 뉴스 분류기 구축

소개

영화 추천, 이미지 태그 지정, 뉴스 기사 분류 등 기계 학습은 어디에나 있습니다. PHP 내에서 그렇게 할 수 있다고 상상해보세요! Rubix ML을 사용하면 간단하고 접근 가능한 방식으로 PHP에 머신러닝의 강력한 기능을 적용할 수 있습니다. 이 가이드는 기사를 '스포츠' 또는 '기술'과 같은 카테고리로 분류하는 간단한 뉴스 분류기를 구축하는 과정을 안내합니다. 결국에는 콘텐츠를 기반으로 새 기사의 카테고리를 예측할 수 있는 작동하는 분류기를 갖게 됩니다.

이 프로젝트는 PHP를 사용하여 기계 학습을 시작하려는 초보자에게 적합하며 GitHub에서 전체 코드를 따라갈 수 있습니다.

목차

1. Rubix ML이란 무엇인가요?
2. 프로젝트 설정
3. 뉴스 분류 클래스 만들기
4. 모델 훈련
5. 신규 샘플 예측
6. 최종 생각

Rubix ML이란 무엇입니까?

Rubix ML은 ML 도구와 알고리즘을 PHP 친화적인 환경에 제공하는 PHP용 기계 학습 라이브러리입니다. 분류, 회귀, 클러스터링 또는 자연어 처리 등 어떤 작업을 하든 Rubix ML이 해결해 드립니다. 이를 통해 데이터 로드 및 전처리, 모델 교육, 성능 평가 등을 모두 PHP에서 수행할 수 있습니다.

Rubix ML은 다음과 같은 광범위한 기계 학습 작업을 지원합니다.

• 분류: 이메일을 스팸 또는 스팸 아님으로 분류하는 등 데이터를 분류합니다.
• 회귀: 주택 가격과 같은 연속 값을 예측합니다.
• 클러스터링: 고객 세그먼트 찾기와 같이 라벨 없이 데이터를 그룹화합니다.
• 자연어 처리(NLP): 텍스트 데이터를 토큰화하고 ML에 사용할 수 있는 형식으로 변환하는 등의 작업을 수행합니다.

Rubix ML을 사용하여 PHP에서 간단한 뉴스 분류기를 구축하는 방법을 자세히 살펴보겠습니다!

프로젝트 설정

Rubix ML을 사용하여 새 PHP 프로젝트를 설정하고 자동 로딩을 구성하는 것부터 시작하겠습니다.

1단계: 프로젝트 디렉터리 초기화

새 프로젝트 디렉토리를 생성하고 탐색하세요.

mkdir NewsClassifier
cd NewsClassifier

2단계: Composer와 함께 Rubix ML 설치

Composer가 설치되어 있는지 확인한 후 다음을 실행하여 프로젝트에 Rubix ML을 추가하세요.

composer require rubix/ml

3단계: Composer.json에서 자동 로딩 구성

프로젝트의 src 디렉터리에서 클래스를 자동 로드하려면 작곡가.json 파일을 열거나 생성하고 다음 구성을 추가하세요.

{
    "autoload": {
        "psr-4": {
            "NewsClassifier\": "src/"
        }
    },
    "require": {
        "rubix/ml": "^2.5"
    }
}

이것은 Composer가 NewsClassifier 네임스페이스 아래 src 폴더 내의 모든 클래스를 자동 로드하도록 지시합니다.

4단계: Composer 자동 로드 덤프 실행

자동 로드 구성을 추가한 후 다음 명령을 실행하여 Composer의 자동 로더를 다시 생성하세요.

mkdir NewsClassifier
cd NewsClassifier

5단계: 디렉터리 구조

프로젝트 디렉토리는 다음과 같습니다.

composer require rubix/ml

• src/: PHP 스크립트가 포함되어 있습니다.
• 저장소/: 훈련된 모델이 저장될 위치
• vendor/: Composer가 설치한 종속성을 포함합니다.

뉴스 분류 클래스 만들기

src/에 Classification.php라는 파일을 만듭니다. 이 파일에는 모델을 훈련하고 뉴스 카테고리를 예측하는 방법이 포함됩니다.

{
    "autoload": {
        "psr-4": {
            "NewsClassifier\": "src/"
        }
    },
    "require": {
        "rubix/ml": "^2.5"
    }
}

이 분류 클래스에는 다음을 수행하는 메서드가 포함되어 있습니다.

• 학습: 파이프라인 기반 모델을 생성하고 학습합니다.
• 모델 저장: 훈련된 모델을 지정된 경로에 저장합니다.
• 예측: 저장된 모델을 로드하고 새 샘플의 카테고리를 예측합니다.

모델 훈련

src/에 train.php라는 스크립트를 생성하여 모델을 훈련합니다.

composer dump-autoload

모델을 학습하려면 다음 스크립트를 실행하세요.

NewsClassifier/
├── src/
│   ├── Classification.php
│   └── train.php
├── storage/
├── vendor/
├── composer.json
└── composer.lock

성공하면 다음이 표시됩니다.

<?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);
    }
}

새로운 샘플 예측

src/에 또 다른 스크립트인 예측.php를 생성하여 훈련된 모델을 기반으로 새 기사를 분류합니다.

<?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();

예측 스크립트를 실행하여 샘플을 분류합니다.

php src/train.php

출력에는 예측 카테고리와 함께 각 샘플 텍스트가 표시되어야 합니다.

최종 생각

이 가이드를 통해 Rubix ML을 사용하여 PHP로 간단한 뉴스 분류자를 성공적으로 구축했습니다! 이는 텍스트 분류, 추천 시스템 등과 같은 작업에 기계 학습 기능을 도입하여 PHP가 생각보다 더 다재다능할 수 있음을 보여줍니다. 이 프로젝트의 전체 코드는 GitHub에서 확인할 수 있습니다.

분류자를 확장하기 위해 다양한 알고리즘이나 데이터를 실험해 보세요. PHP가 머신러닝을 할 수 있다는 것을 누가 알았을까요? 이제 그렇습니다.
즐거운 코딩하세요!

위 내용은 PHP의 기계 학습: Rubix ML을 사용하여 뉴스 분류기 구축의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!