搜尋
首頁後端開發php教程PHP 中的機器學習:使用 Rubix ML 建立新聞分類器

Machine Learning in PHP: Build a News Classifier Using Rubix ML

介紹

機器學習無所不在-推薦影片、標記影像,現在甚至將新聞文章分類。想像一下如果您可以在 PHP 中做到這一點!透過 Rubix ML,您可以以簡單易懂的方式將機器學習的強大功能引入 PHP。本指南將引導您建立一個簡單的新聞分類器,將文章分類為「體育」或「技術」等類別。最後,您將擁有一個工作分類器,可以根據新文章的內容預測其類別。

這個專案非常適合想要使用 PHP 進行機器學習的初學者,您可以按照 GitHub 上的完整程式碼進行操作。

目錄

  1. 什麼是 Rubix ML?
  2. 設定項目
  3. 建立新聞分類類
  4. 訓練模型
  5. 預測新樣本
  6. 最後的想法

Rubix 機器學習是什麼?

Rubix ML 是一個 PHP 機器學習函式庫,它將 ML 工具和演算法引入 PHP 友善的環境中。無論您從事分類、迴歸、聚類,甚至自然語言處理,Rubix ML 都能滿足您的需求。它允許您加載和預處理資料、訓練模型並評估效能——所有這些都在 PHP 中進行。

Rubix ML 支援廣泛的機器學習任務,例如:

  • 分類:將資料分類,例如將電子郵件標記為垃圾郵件或非垃圾郵件。
  • 迴歸:預測連續值,例如房價。
  • 聚類:將沒有標籤的資料分組,就像尋找客戶群一樣。
  • 自然語言處理 (NLP):處理文字數據,例如標記並將其轉換為 ML 可用的格式。

讓我們深入了解如何使用 Rubix ML 在 PHP 中建立簡單的新聞分類器!

設定項目

我們將首先使用 Rubix ML 設定一個新的 PHP 專案並配置自動載入。

步驟1:初始化專案目錄

建立一個新的專案目錄並導航到其中:

mkdir NewsClassifier
cd NewsClassifier

第 2 步:安裝 Rubix ML 和 Composer

確保您已安裝 Composer,然後透過執行以下命令將 Rubix ML 新增至您的專案:

composer require rubix/ml

步驟3:在composer.json中配置自動加載

要從專案的 src 目錄自動載入類,請開啟或建立composer.json 檔案並新增以下配置:

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

這告訴 Composer 自動載入 NewsClassifier 命名空間下 src 資料夾中的任何類別。

步驟 4: 執行 Composer Autoload Dump

新增自動載入設定後,執行下列指令重新產生 Composer 的自動載入器:

mkdir NewsClassifier
cd NewsClassifier

第5步:目錄結構

您的專案目錄應如下所示:

composer require rubix/ml
  • src/:包含您的 PHP 腳本。
  • storage/:訓練後的模型的保存位置。
  • vendor/:包含 Composer 安裝的依賴項。

建立新聞分類類

在 src/ 中,建立一個名為 Classification.php 的檔案。該文件將包含訓練模型和預測新聞類別的方法。

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

此分類類別包含以下方法:

  • 訓練:建立並訓練基於管道的模型。
  • 保存模型:將訓練好的模型儲存到指定路徑
  • 預測:載入已儲存的模型並預測新樣本的類別。

訓練模型

在 src/ 中建立一個名為 train.php 的腳本來訓練模型。

composer dump-autoload

執行此腳本來訓練模型:

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

如果成功,您將看到:

<?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);
    }
}

預測新樣本

在 src/ 中建立另一個腳本,predict.php,根據訓練的模型對新文章進行分類。

<?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();

運行預測腳本對樣本進行分類:

php src/train.php

輸出應顯示每個範例文字及其預測類別。

最後的想法

透過本指南,您已經使用 Rubix ML 在 PHP 中成功建立了一個簡單的新聞分類器!這展示了 PHP 如何比您想像的更通用,為文字分類、推薦系統等任務引入機器學習功能。此專案的完整程式碼可在 GitHub 上取得。

嘗試不同的演算法或資料來擴展分類器。誰知道 PHP 可以進行機器學習?現在你知道了。
快樂編碼!

以上是PHP 中的機器學習:使用 Rubix ML 建立新聞分類器的詳細內容。更多資訊請關注PHP中文網其他相關文章!

陳述
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn
11個最佳PHP URL縮短腳本(免費和高級)11個最佳PHP URL縮短腳本(免費和高級)Mar 03, 2025 am 10:49 AM

長URL(通常用關鍵字和跟踪參數都混亂)可以阻止訪問者。 URL縮短腳本提供了解決方案,創建了簡潔的鏈接,非常適合社交媒體和其他平台。 這些腳本對於單個網站很有價值

Instagram API簡介Instagram API簡介Mar 02, 2025 am 09:32 AM

在Facebook在2012年通過Facebook備受矚目的收購之後,Instagram採用了兩套API供第三方使用。這些是Instagram Graph API和Instagram Basic Display API。作為開發人員建立一個需要信息的應用程序

在Laravel中使用Flash會話數據在Laravel中使用Flash會話數據Mar 12, 2025 pm 05:08 PM

Laravel使用其直觀的閃存方法簡化了處理臨時會話數據。這非常適合在您的應用程序中顯示簡短的消息,警報或通知。 默認情況下,數據僅針對後續請求: $請求 -

構建具有Laravel後端的React應用程序:第2部分,React構建具有Laravel後端的React應用程序:第2部分,ReactMar 04, 2025 am 09:33 AM

這是有關用Laravel後端構建React應用程序的系列的第二個也是最後一部分。在該系列的第一部分中,我們使用Laravel為基本的產品上市應用程序創建了一個RESTFUL API。在本教程中,我們將成為開發人員

簡化的HTTP響應在Laravel測試中模擬了簡化的HTTP響應在Laravel測試中模擬了Mar 12, 2025 pm 05:09 PM

Laravel 提供简洁的 HTTP 响应模拟语法,简化了 HTTP 交互测试。这种方法显著减少了代码冗余,同时使您的测试模拟更直观。 基本实现提供了多种响应类型快捷方式: use Illuminate\Support\Facades\Http; Http::fake([ 'google.com' => 'Hello World', 'github.com' => ['foo' => 'bar'], 'forge.laravel.com' =>

php中的捲曲:如何在REST API中使用PHP捲曲擴展php中的捲曲:如何在REST API中使用PHP捲曲擴展Mar 14, 2025 am 11:42 AM

PHP客戶端URL(curl)擴展是開發人員的強大工具,可以與遠程服務器和REST API無縫交互。通過利用Libcurl(備受尊敬的多協議文件傳輸庫),PHP curl促進了有效的執行

在Codecanyon上的12個最佳PHP聊天腳本在Codecanyon上的12個最佳PHP聊天腳本Mar 13, 2025 pm 12:08 PM

您是否想為客戶最緊迫的問題提供實時的即時解決方案? 實時聊天使您可以與客戶進行實時對話,並立即解決他們的問題。它允許您為您的自定義提供更快的服務

宣布 2025 年 PHP 形勢調查宣布 2025 年 PHP 形勢調查Mar 03, 2025 pm 04:20 PM

2025年的PHP景觀調查調查了當前的PHP發展趨勢。 它探討了框架用法,部署方法和挑戰,旨在為開發人員和企業提供見解。 該調查預計現代PHP Versio的增長

See all articles

熱AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool

Undress AI Tool

免費脫衣圖片

Clothoff.io

Clothoff.io

AI脫衣器

AI Hentai Generator

AI Hentai Generator

免費產生 AI 無盡。

熱門文章

R.E.P.O.能量晶體解釋及其做什麼(黃色晶體)
2 週前By尊渡假赌尊渡假赌尊渡假赌
倉庫:如何復興隊友
4 週前By尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island冒險:如何獲得巨型種子
4 週前By尊渡假赌尊渡假赌尊渡假赌

熱工具

PhpStorm Mac 版本

PhpStorm Mac 版本

最新(2018.2.1 )專業的PHP整合開發工具

SublimeText3 Mac版

SublimeText3 Mac版

神級程式碼編輯軟體(SublimeText3)

mPDF

mPDF

mPDF是一個PHP庫,可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件,並處理不同的語言。與原始腳本如HTML2FPDF相比,它的速度較慢,並且在使用Unicode字體時產生的檔案較大,但支援CSS樣式等,並進行了大量增強。支援幾乎所有語言,包括RTL(阿拉伯語和希伯來語)和CJK(中日韓)。支援嵌套的區塊級元素(如P、DIV),

記事本++7.3.1

記事本++7.3.1

好用且免費的程式碼編輯器

Safe Exam Browser

Safe Exam Browser

Safe Exam Browser是一個安全的瀏覽器環境,安全地進行線上考試。該軟體將任何電腦變成一個安全的工作站。它控制對任何實用工具的訪問,並防止學生使用未經授權的資源。