机器学习与JavaScript（一）
你应该觉得基于JavaScript的机器学习不简单吧。
JAVASCRIPT？！我难道不应该用Python么？我难道要用JavaScript去做如此复杂的运算？难道我不应该使用Python或者R语言么？scikit-learn算法库会不会不能在JavaScript中使用？简单来说：基于JavaScript的机器学习完全没有问题。
详细来讲，基于JavaScript的机器学习是有可能的，并且我总是很吃惊为什么开发者们没有给予它应有的关注。就scikit-learn算法库而言，JavaScript开发者已经开发了一系列实现该算法的库，一会儿就会用到一个库。接下来会先讲一点机器学习的知识，然后就放松心情一起来看代码吧。
据Arthur Samuel所讲，机器学习就是在不对其进行具体编程的情况下，使计算机拥有学习的能力。换句话说，它在我们不操作计算机的情况下，却能拥有自我学习的能力，并能执行正确的指令。并且谷歌公司已经将策略从移动优先转变为AI优先很长一段时间了。
为什么在机器学习领域
没有提到JavaScript呢？
JavaScript很慢。（完全错误的观念 !?! ）
JavaScript很难进行矩阵操作。（但是有很多库的，比如math.js ）
JavaScript仅仅被认为是用来做web开发的。（Node.js默默的笑了）
机器学习中很多库都是基于Python开发的。（那是因为JavaScript开发者并没有在场）
现在已经有很多的JavaScript库了，它们已经预定义了机器学习算法，比如：线性回归、支持向量机、朴素贝叶斯算法等，以下列出了几个库：
brain.js（神经网络）
Synaptic（神经网络）
Natural（自然语言处理）
ConvNetJS（卷积神经网络）
mljs（一种具有多个函数方法的子库）
我将使用mljs的回归库来执行线性回归模型的分析。全部代码都在Github上：machine-learning-with-js。
第一步. 安装依赖的库
$ yarn add ml-regression csvtojson或者你更喜欢npm：
$ npm install ml-regression csvtojsonml-regression所做的事正如它的名字那样，机器学习线性回归库。
csvtojson是在node.js环境中的一个cvs数据解析器，它可以在你加载完cvs数据后将其快速的转换为JSON。
第二步. 初始化依赖库并加载数据
首先从这里下载数据文件，并将数据文件放在你的工程目录中。
假设你已经初始化了一个空的npm工程，打开index.js文件，并输入以下代码：（你可以直接复制/粘贴，但为了能够更好的理解它，建议你能亲自输入这段代码）
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // 简单线性回归
const csvFilePath = 'advertising.csv'; // 数据文件
let csvData = [], // 已解析的数据
X = [], // 输入
y = []; // 输出
let regressionModel;我把这个文件放在了项目的根目录下，因此如果你放在了别的目录下，请同时更改上述代码中的csvFilePath变量。
这样的代码看起来相当整洁，不是么？
接下来使用csvtojson库的fromFile方法加载数据文件。
csv()
.fromFile(csvFilePath)
.on('json', (jsonObj) => {
csvData.push(jsonObj);
})
.on('done', () => {
dressData(); // 从JSON对象中获取数据点
performRegression();
});第三步. 将数据加以装饰，以准备开始执行
保存在csvData变量中的JSON对象已经准备好了，同时还分别需要一个数组，用来存储输入点数据和输出点数据。然后将通过dressData函数来运行数据，且dressData函数将会计算出X和Y变量。
function dressData() {
/**
* 一个数据对象应该这样:
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* 因此，在添加数据点的同时，
* 我们需要将String类型的值解析为Float类型。
*/
csvData.forEach((row) => {
X.push(f(row.Radio));
y.push(f(row.Sales));
});
}
function f(s) {
return parseFloat(s);
}第四步. 训练模型，并开始进行预测
现在数据已经装饰好了，是时候来训练模型了。
为了实现这一目标，我们需要一个performRegression函数：
function performRegression() {
regressionModel = new SLR(X, y); // 基于训练数据来训练模型
console.log(regressionModel.toString(3));
predictOutput();
}regressionModel有一个toString方法，它所接收的参数代表输出值浮点数的精度。
predictOutput方法能够接收所输入的值，并且向终端输出所预测的值。
以下就是这个函数的代码：（这里使用了node.js的readline模块）
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();
});
}以下代码读取了用户的输入值：
const readline = require('readline'); // 同时预测用户的输入值
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});第五步. 恭喜你！做到了。
如果你跟着我一步一步的做，现在你的index.js文件应该是这样子的：
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // 简单线性回归
const csvFilePath = 'advertising.csv'; // 数据
let csvData = [], // 已解析的数据
X = [], // 输入
y = []; // 输出
let regressionModel;
const readline = require('readline'); // 同时预测用户的输入值
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});
csv()
.fromFile(csvFilePath)
.on('json', (jsonObj) => {
csvData.push(jsonObj);
})
.on('done', () => {
dressData(); // 从JSON对象中获取数据点
performRegression();
});
function performRegression() {
regressionModel = new SLR(X, y); // 基于训练数据来训练模型
console.log(regressionModel.toString(3));
predictOutput();
}
function dressData() {
/**
* 一个数据对象应该这样：
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* 因此，在添加数据点的同时，
* 我们需要将String类型的值解析为Float类型。
*/
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();
});
}打开终端，输入并运行node index.js，它将会输出如下所示内容：
$ node index.js
f(x) = 0.202 * x + 9.31
Enter input X for prediction (Press CTRL+C to exit) : 151.5
At X = 151.5, y = 39.98974927911285
Enter input X for prediction (Press CTRL+C to exit) :恭喜你！刚刚用JavaScript训练了你的第一个线性回归模型。（你有注意到它的速度么？）
PS: 我将使用ml和其他的库（上面所列出的那些）在各种数据集上执行目前比较流行的机器学习算法。请时刻关注我的动态，获取最新的机器学习教程。
感谢你的阅读！如果你喜欢这篇文章的话，请为我点赞，以让别人知道JavaScript是多么的强大，以及为什么在机器学习领域中JavaScript不应该落后。
如果大家对这个话题感兴趣，可以移步到《机器学习与JavaScript（二）》，查看地址如下：
http://www.infoq.com/cn/articles/machine-learning-with-javascript-part02?utm_campaign=rightbar_v2&utm_source=infoq&utm_medium=articles_link&utm_content=link_text
猜你喜欢