PHP နှင့် Machine သင်ယူခြင်း - ဒေတာရှုထောင့်လျှော့ချရေးနှင့်ထုတ်ယူခြင်းအတွက်လက်တွေ့လမ်းညွှန်

နိဒါန်း

ဘဝ၏လမ်းလျှောက်မှုအားလုံးတွင်အတုထောက်လှမ်းရေးနှင့်စက်၏လူကြိုက်များမှုနှင့်အတူကြီးမားသောဒေတာများကိုထိရောက်စွာလုပ်ဆောင်ရန်နှင့်ခွဲခြမ်းစိတ်ဖြာခြင်းသည်အဓိကပြ issue နာဖြစ်လာနိုင်သည်။ ဒေတာရှုထောင်များလျှော့ချခြင်းနှင့်အင်္ဂါရပ်ထုတ်လုပ်ခြင်းထုတ်ယူခြင်းသည်တွက်ချက်မှုရှုပ်ထွေးမှုကိုလျှော့ချနိုင်ရုံသာမကစံနမူနာများ၏တိကျမှုနှင့်ထိရောက်မှုကိုလည်းတိုးတက်စေသည်။ ဤဆောင်းပါးသည် PHP-ML စာကြည့်တိုက်များက PHP-ML စာကြည့်တိုက်များနှင့်အမှန်တကယ်စီမံကိန်းများတွင်ဒေတာရှုထောင်လျှော့ချခြင်းနှင့်ထုတ်ယူခြင်းကိုထုတ်ယူခြင်းကိုမည်သို့နားလည်ရမည်ကိုမိတ်ဆက်ပေးရန်ပေါင်းစပ်ပါလိမ့်မည်။

ဒေတာရှုထောင်လျှော့ချခြင်းနှင့် feature ထုတ်ယူခြင်းဆိုတာဘာလဲ

ဒေတာရှုထောင်လျှော့ချခြင်းလျှော့ချရေးသည်ရှုထောင့်အချက်အလက်များကိုနိမ့်ကျသောအချက်အလက်များကိုပြောင်းလဲခြင်းကိုရည်ညွှန်းသည်။ အရေးကြီးသောသတင်းအချက်အလက်များကိုတတ်နိုင်သမျှအမြန်ဆုံးထိန်းသိမ်းခြင်း, Feature Extraction သည်မူလအချက်အလက်များ၏အဓိကအချက်အလက်များမှကိုယ်စားလှယ်အများဆုံးအင်္ဂါရပ်များကိုရွေးချယ်ရန်နောက်ဆက်တွဲစံပြသင်တန်းနှင့်ခန့်မှန်းချက်အတွက်ပိုမိုထိရောက်သောသွင်းအားစုကိုပေးသည်။ နှစ် ဦး စလုံးသည်စက်သင်ယူမှုဖြစ်စဉ်တွင်မရှိမဖြစ်လိုအပ်သောနှင့်အရေးကြီးသောလင့်ခ်များဖြစ်သည်။

ဒေတာရှုထောင်လျှော့ချခြင်းနှင့် feature ထုတ်ယူခြင်းအတွက် PHP ကိုသုံးပါ

PHP တွင်ဒေတာရှုထောင်လျှော့ချခြင်းနှင့်လုပ်ဆောင်ခြင်းထုတ်ယူခြင်းကို PHP-ML MODE စရေးစာကြည့်တိုက်၏အကူအညီဖြင့်ရရှိနိုင်ပါသည်။ အောက်ဖော်ပြပါဥပမာသည်ပတ် 0 န်းကျင်ဆိုင်ရာပြင်ဆင်မှုမှကုဒ်အလေ့အကျင့်သို့အပြည့်အစုံကိုပြသသည်။

PHP-ML စာကြည့်တိုက်ကို install လုပ်ပါ

တေးရေးဆရာ Php-Ai / Php-ml လိုအပ်သည်

Composer မှတဆင့်တပ်ဆင်ပြီးနောက်, သင်၏ PPP စီမံကိန်းမှဤစာကြည့်တိုက်မှပေးသောကြွယ်ဝသော algorithms နှင့်ကိရိယာများကိုသင်အသုံးပြုနိုင်သည်။

ဒေတာပြင်ဆင်မှုနှင့် preprocessing

ရှုထောင်လျှော့ချခြင်းသို့မဟုတ်ပါ 0 င်ခြင်းများထုတ်ယူခြင်းမပြုမီ Dataset သည်များသောအားဖြင့်ပျောက်ဆုံးနေသောတန်ဖိုးနှင့်စံချိန်စံညွှန်းများပျောက်ဆုံးနေသည်။ အောက်ပါဥပမာသည် CSV ဒေတာများကိုမည်သို့ဖွင့်ရမည်,

phpml \ dataset \ csvdataset ကိုသုံးပါ။
phpml \ pospml \ posplocessing \ imputer;
phpml \ phpml \ Preprocessing \ standardscaler;

$ dataset = New CSVDatASET ('data.csv', NURL ',' ',' ',

$ imputer = အသစ် imputer ();
$ imputer-> fit ($ dataset-> gethamples ());
$ imputer-> Transform ($ dataset-> gethamples ());

$ cuter = စံချိန်စံညွှန်းအသစ် (),
$ scaler-> fit ($ dataset-> gethamples ());
$ scaler-> Transform ($ dataset-> Gethamples ());

ဒေတာများ၏ရှုထောင့်ကိုလျှော့ချရန် PCA algorithm ကိုသုံးပါ

PCA (မူလအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာခြင်း) သည်အများအားဖြင့် linear transformation မှတဆင့်ရှုထောင့်အသွင်ပြောင်းမှုဖြင့်ရှုထောင့်ကွက်လပ်သို့အချက်အလက်များကိုမြေပုံများကိုမြေပုံများပေးသည့်အများအားဖြင့်အသုံးပြုသောပုံစံလျှော့ချရေးနည်းလမ်းဖြစ်သည်။

PHPML \ dimensionalreduction \ PCA ကိုသုံးပါ။

$ PCA = PCA အသစ် (2),
$ pca-> fit ($ dataset-> gethamples ());
$ PCA-> Transform ($ dataset-> Getamples ());

Extraction ဥပမာ

PHP-ML တွင်ပါ 0 င်သောထုတ်ယူခြင်းအတွက်အသုံးပြုနိုင်သည့်နည်းလမ်းများစွာရှိသည်။ အောက်ပါဥပမာသည်စာသားအချက်အလက်များအပေါ် အခြေခံ. အသွင်အပြင်ထုတ်ယူခြင်းလုပ်ငန်းစဉ်ကိုပြသပြီးထိရောက်သောအင်္ဂါရပ်များနှင့် TF-IDF နည်းလမ်းဖြင့်ထိရောက်သောအင်္ဂါရပ်များရရှိစေသည်။

phpml \ featureextractractraction \ stopwords ကိုသုံးပါ။
phpmmm \ feekeneextraction \ tkencountvectorizer ကိုသုံးပါ။
phpml \ featureextraction \ tfidfransformer ကိုသုံးပါ။

$ vectorizer = tokencountvectorizer အသစ် (Stopwords အသစ် ('en'));
$ vectorizer-> fit ($ နမူနာ);
$ vectorizer-> Transform ($ နမူနာ);

$ transformer = tfidfransformer ();
$ transformer-> fit ($ နမူနာ);
$ Transformer-> Transform ($ နမူနာ);

နိဂုံးချုပ်အားဖြင့်

ဒေတာရှုထောင်လျှော့ချခြင်းနှင့်အင်္ဂါရပ်ထုတ်ယူခြင်းသည်စက်သင်ယူခြင်းလျှောက်လွှာများတွင်အလွန်အရေးကြီးသည်။ PCA နှင့် feature selection tools များကိုအသုံးပြုရန်အတွက် developer များသည် developer များကဒေတာရှုထောင့်ရှုထောင့်များကိုထိထိရောက်ရောက်လျှော့ချနိုင်ပြီးစံပြလေ့ကျင့်မှုနှင့်ခန့်မှန်းချက်ကိုတိုးတက်စေနိုင်သည်။ ဤနည်းလမ်းများနှင့်အတူကျွန်ုပ်တို့သည်ကွန်ပျူတာစွမ်းဆောင်ရည်ကိုတိုးတက်အောင်မလုပ်နိုင်ပါ။