譯者按: AI時代，不會機器學習的JavaScript開發者不是好的前端工程師。
原文: Machine Learning with JavaScript : Part 1
譯者: Fundebug
為了保證可讀性，本文采用意譯而非直譯。另外，本文版權歸原作者所有，翻譯僅用於學習
使用JavaScript做機器學習？不是應該用Python嗎？是不是我瘋了才用JavaScript做如此繁重的計算？難道我不用Python和R是為了裝逼？scikit-learn(Python機器學習庫)不能使用Python吧？
嗯，我並沒有開玩笑…
其實呢，類似於Python的scikit-learn，JavaScript開發者也開發了一些機器學習庫，我打算用一下它們。
JavaScript不能用於機器學習？
- 太慢（幻覺？）
- 矩陣操作太難（有函數庫啊，比如math.js）
- JavaScript只能用於前端開發（Node.js開發者笑了）
- 機器學習庫都是Python（JS開發者）
JavaScript機器學習庫
- 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 (一系列AI庫)
- Neataptic (神經網絡)
- Webdnn (深度學習)
我們將使用mljs來實現線性回歸，源代碼在GitHub倉庫： machine-learning-with-js。下面是詳細步驟：
1. 安裝模塊
|
$ yarn add ml-regression csvtojson
|
或者使用 npm
|
$ npm install ml-regression csvtojson
|
- ml-regression模塊提供了一些回歸算法
- csvtojson模塊用於將CSV數據轉換為JSON。
2. 初始化並導入數據
下載.csv數據。
假設你已經初始化了一個NPM項目，請在index.js中輸入以下內容：
|
const ml = require("ml-regression");
const csv = require("csvtojson");
const SLR = ml.SLR; // 線性回歸
const csvFilePath = "advertising.csv"; // 訓練數據
let csvData = [],
X = [],
y = [];
let regressionModel;
|
使用csvtojson模塊的fromFile方法加載數據：
|
csv()
.fromFile(csvFilePath)
.on(
"json", (jsonObj) => {
csvData.push(jsonObj);
})
.on(
"done", () => {
dressData();
performRegression();
});
|
3. 轉換數據
導入的數據為json對象數組，我們需要使用dressData函數將其轉化為兩個數據向量x和y:
|
// 將JSON數據轉換為向量數據
function dressData() {
/**
* 原始數據中每一行為JSON對象
* 因此需要將數據轉換為向量數據，並將字符串解析為浮點數
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*/
csvData.forEach(
(row) => {
X.push(f(row.Radio));
y.push(f(row.Sales));
});
}
// 將字符串解析為浮點數
function f(s) {
return parseFloat(s);
}
|
4. 訓練數據並預測
編寫performRegression函數：
|
// 使用線性回歸算法訓練數據
function performRegression() {
regressionModel =
new SLR(X, y);
console.log(regressionModel.toString(3));
predictOutput();
}
|
regressionModel的toString方法可以指定參數的精確度。
predictOutput函數可以根據輸入值輸出預測值。
|
// 接收輸入數據，然后輸出預測值
function predictOutput() {
rl.question(
"請輸入X用於預測(輸入CTRL+C退出) : ", (answer) => {
console.log(`當X = ${answer}時, 預測值y = ${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
});
}
|
predictOutput函數使用了Node.js的Readline模塊：
|
const readline = require("readline");
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});
|
5. 完整程序
完整的程序index.js是這樣的：
|
const ml = require("ml-regression");
const csv = require("csvtojson");
const SLR = ml.SLR; // 線性回歸
const csvFilePath = "advertising.csv"; // 訓練數據
let csvData = [],
X = [],
y = [];
let regressionModel;
const readline = require("readline");
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});
csv()
.fromFile(csvFilePath)
.on(
"json", (jsonObj) => {
csvData.push(jsonObj);
})
.on(
"done", () => {
dressData();
performRegression();
});
// 使用線性回歸算法訓練數據
function performRegression() {
regressionModel =
new SLR(X, y);
console.log(regressionModel.toString(3));
predictOutput();
}
// 將JSON數據轉換為向量數據
function dressData() {
/**
* 原始數據中每一行為JSON對象
* 因此需要將數據轉換為向量數據，並將字符串解析為浮點數
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*/
csvData.forEach(
(row) => {
X.push(f(row.Radio));
y.push(f(row.Sales));
});
}
// 將字符串解析為浮點數
function f(s) {
return parseFloat(s);
}
// 接收輸入數據，然后輸出預測值
function predictOutput() {
rl.question(
"請輸入X用於預測(輸入CTRL+C退出) : ", (answer) => {
console.log(`當X = ${answer}時, 預測值y = ${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
});
}
|
執行 node index.js ，則輸出如下：
|
$ node index.js
|
|
f(x) = 0.202 * x + 9.31
請輸入X用於預測(輸入CTRL+C退出) : 151.5
當X = 151.5時, 預測值y = 39.98974927911285
請輸入X用於預測(輸入CTRL+C退出) :
|
恭喜！你已經使用JavaScript訓練了一個線性回歸模型，如下：
|
f(x) = 0.202 * x + 9.31
|
感興趣的話，請持續關注 machine-learning-with-js，我將使用JavaScript實現各種機器學習算法。
關於Fundebug
Fundebug專注於JavaScript、微信小程序、微信小游戲、支付寶小程序、React Native、Node.js和Java實時BUG監控。 自從2016年雙十一正式上線，Fundebug累計處理了7億+錯誤事件，得到了Google、360、金山軟件、百姓網等眾多知名用戶的認可。歡迎免費試用！
版權聲明: 轉載時請注明作者Fundebug以及本文地址： https://blog.fundebug.com/2017/07/03/javascript-machine-learning-regression/