如何使用JavaScript構建機器學習模型
目前，機器學習領域建模的主要語言是 Python 和 R，前不久騰訊推出的機器學習框架 Angel 則支持 Java 和 Scala。本文作者 Abhishek Soni 則用行動告訴我們，開發機器學習模型，JavaScript 也可以。
JavaScript？我不是應該使用 Python 嗎？甚至 Scikit-learn 在 JavaScript 上都不工作。
這是可能的，實際上，連我自己都驚訝于開發者對此忽視的態度。就 Scikit-learn 而言，Javascript 的開發者事實上已經推出了適用的庫，它會在本文中有所提及。那么，讓我們看看 Javascript 在機器學習上能夠做什么吧。
根據人工智能先驅 Arthur Samuel 的說法，機器學習為計算機提供了無需明確編程的學習能力。換句話說，它使得計算機能夠自我學習并執行正確的指令，無需人類提供全部指導。
谷歌已經把自己移動優先的策略轉換到人工智能優先很久了。
為什么 JavaScript 在機器學習界未被提及過？
- 慢（真的假的？）
- 矩陣操作很困難（這里有庫，比如 math.js）
- 僅用于 Web 開發（然而這里還有 Node.js）
- 機器學習庫通常是在 Python 上的（還好，JS 的開發者人數也不少）
在 JavaScript 中有一些可供使用的預制庫，其中包含一些機器學習算法，如線性回歸、SVM、樸素貝葉斯等等，以下是其中的一部分。
- brain.js（神經網絡）
- Synaptic（神經網絡）
- Natural（自然語言處理）
- ConvNetJS（卷積神經網絡）
- mljs（一組具有多種功能的子庫）
首先，我們將使用 mljs 回歸庫來進行一些線性回歸操作。
參考代碼：https://github.com/abhisheksoni27/machine-learning-with-js
1. 安裝庫
$ npm install ml-regression csvtojson
$ yarn add ml-regression csvtojson
ml-regression 正如其名，負責機器學習的線性回歸。
csvtojson 是一個用于 node.js 的快速 CSV 解析器，它允許加載 CSV 數據文件并將其轉換為 JSON。
2. 初始化并加載數據
下載數據文件（.csv），并將其加入你的項目。
鏈接：http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv
如果你已經初始化了一個空的 npm 項目，打開 index.js，輸入以下代碼。
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression
const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
X = [], // Input
y = []; // Output
let regressionModel;
我把文件放在了項目的根目錄下，如果你想放在其他地方，請記得更新 csvFilePath。
現在我們使用 csvtojson 的 fromFile 方法加載數據文件：
csv()
.fromFile(csvFilePath)
.on('json', (jsonObj) => {
csvData.push(jsonObj);
})
.on('done', () => {
dressData(); // To get data points from JSON Objects
performRegression();
});
3. 打包數據，準備執行
JSON 對象被存儲在 csvData 中，我們還需要輸入數據點數組和輸出數據點。我們通過一個填充 X 和 Y 變量的 dressData 函數來運行數據。
function dressData() {
/**
* One row of the data object looks like:
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* Hence, while adding the data points,
* we need to parse the String value as a Float.
*/
csvData.forEach((row) => {
X.push(f(row.Radio));
y.push(f(row.Sales));
});
}
function f(s) {
return parseFloat(s);
}
4. 訓練模型開始預測
數據已經打包完畢，是時候訓練我們的模型了。
為此，我們需要寫一個 performRegression 函數：
function performRegression() {
regressionModel = new SLR(X, y); // Train the model on training data
console.log(regressionModel.toString(3));
predictOutput();
}
performRegression 函數有一個方法 toString，它為浮點輸出獲取一個名為 precision 的參數。predictOutput 函數能讓你輸入數值，然后將模型的輸出傳到控制臺。它是這樣的（注意，我使用的是 Node.js 的 readline 工具）：
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {
console.log(`At X = ${answer}, y = ${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
});
}
以下是為了增加閱讀用戶的代碼
const readline = require('readline'); // For user prompt to allow predictions
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});
5. 大功告成！
遵循以上步驟，你的 index.js 應該是這樣：
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression
const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
X = [], // Input
y = []; // Output
let regressionModel;
const readline = require('readline'); // For user prompt to allow predictions
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});
csv()
.fromFile(csvFilePath)
.on('json', (jsonObj) => {
csvData.push(jsonObj);
})
.on('done', () => {
dressData(); // To get data points from JSON Objects
performRegression();
});
function performRegression() {
regressionModel = new SLR(X, y); // Train the model on training data
console.log(regressionModel.toString(3));
predictOutput();
}
function dressData() {
/**
* One row of the data object looks like:
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* Hence, while adding the data points,
* we need to parse the String value as a Float.
*/
csvData.forEach((row) => {
X.push(f(row.Radio));
y.push(f(row.Sales));
});
}
function f(s) {
return parseFloat(s);
}
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {
console.log(`At X = ${answer}, y = ${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
});
}
到你的終端上運行 node index.js，得到的輸出會是這樣：
$ node index.js f(x) = 0.202 * x + 9.31 Enter input X for prediction (Press CTRL+C to exit) : 151.***t X = 151.5, y = 39.98974927911285 Enter input X for prediction (Press CTRL+C to exit) :
恭喜！你剛剛在 JavaScript 中訓練了***個線性回歸模型。（PS. 你注意到速度了嗎？）
