博文
JavaScript机器学习之线性回归
||
译者按: AI时代，不会机器学习的JavaScript开发者不是好的前端工程师。
原文: Machine Learning with JavaScript : Part 1
译者: Fundebug
为了保证可读性，本文采用意译而非直译。另外，本文版权归原作者所有，翻译仅用于学习
使用JavaScript做机器学习？不是应该用Python吗？是不是我疯了才用JavaScript做如此繁重的计算？难道我不用Python和R是为了装逼？scikit-learn(Python机器学习库)不能使用Python吧？
嗯，我并没有开玩笑…
其实呢，类似于Python的scikit-learn，JavaScript开发者也开发了一些机器学习库，我打算用一下它们。
太慢（幻觉？）
矩阵操作太难（有函数库啊，比如math.js）
JavaScript只能用于前端开发（Node.js开发者笑了）
机器学习库都是Python（JS开发者）
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 (一系列AI库)
Neataptic (神经网络)
Webdnn (深度学习)
我们将使用mljs来实现线性回归，源代码在GitHub仓库： machine-learning-with-js。下面是详细步骤：
$ yarn add ml-regression csvtojson |
或者使用 npm
$ npm install ml-regression csvtojson |
ml-regression模块提供了一些回归算法
csvtojson模块用于将CSV数据转换为JSON。
下载.csv数据。
假设你已经初始化了一个NPM项目，请在index.js中输入以下内容：
const ml = require("ml-regression"); const csv = require("csvtojson"); const SLR = ml.SLR; // 线性回归 const csvFilePath = "advertising.csv"; // 训练数据 let csvData = [], X = [], y = []; let regressionModel; |
使用csvtojson模块的fromFile方法加载数据：
csv() .fromFile(csvFilePath) .on("json", (jsonObj) => { csvData.push(jsonObj); }) .on("done", () => { dressData(); performRegression(); }); |
导入的数据为json对象数组，我们需要使用dressData函数将其转化为两个数据向量x和y:
// 将JSON数据转换为向量数据 functiondressData() { /** * 原始数据中每一行为JSON对象 * 因此需要将数据转换为向量数据，并将字符串解析为浮点数 * { * TV: "10", * Radio: "100", * Newspaper: "20", * "Sales": "1000" * } */ csvData.forEach((row) => { X.push(f(row.Radio)); y.push(f(row.Sales)); }); } // 将字符串解析为浮点数 functionf(s) { returnparseFloat(s); } |
编写performRegression函数：
// 使用线性回归算法训练数据 functionperformRegression() { regressionModel = new SLR(X, y); console.log(regressionModel.toString(3)); predictOutput(); } |
regressionModel的toString方法可以指定参数的精确度。
predictOutput函数可以根据输入值输出预测值。
// 接收输入数据，然后输出预测值 functionpredictOutput() { rl.question("请输入X用于预测(输入CTRL+C退出) : ", (answer) => { console.log(`当X = ${answer}时, 预测值y = ${regressionModel.predict(parseFloat(answer))}`); predictOutput(); }); } |
predictOutput函数使用了Node.js的Readline模块：
const readline = require("readline"); const rl = readline.createInterface({ input: process.stdin, output: process.stdout }); |
完整的程序index.js是这样的：
const ml = require("ml-regression"); const csv = require("csvtojson"); const SLR = ml.SLR; // 线性回归 const csvFilePath = "advertising.csv"; // 训练数据 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(); }); // 使用线性回归算法训练数据 functionperformRegression() { regressionModel = new SLR(X, y); console.log(regressionModel.toString(3)); predictOutput(); } // 将JSON数据转换为向量数据 functiondressData() { /** * 原始数据中每一行为JSON对象 * 因此需要将数据转换为向量数据，并将字符串解析为浮点数 * { * TV: "10", * Radio: "100", * Newspaper: "20", * "Sales": "1000" * } */ csvData.forEach((row) => { X.push(f(row.Radio)); y.push(f(row.Sales)); }); } // 将字符串解析为浮点数 functionf(s) { returnparseFloat(s); } // 接收输入数据，然后输出预测值 functionpredictOutput() { rl.question("请输入X用于预测(输入CTRL+C退出) : ", (answer) => { console.log(`当X = ${answer}时, 预测值y = ${regressionModel.predict(parseFloat(answer))}`); predictOutput(); }); } |
执行 node index.js ，则输出如下：
$ node index.js |
f(x) = 0.202 * x + 9.31 请输入X用于预测(输入CTRL+C退出) : 151.5 当X = 151.5时, 预测值y = 39.98974927911285 请输入X用于预测(输入CTRL+C退出) : |
恭喜！你已经使用JavaScript训练了一个线性回归模型，如下：
f(x) = 0.202 * x + 9.31 |
感兴趣的话，请持续关注 machine-learning-with-js，我将使用JavaScript实现各种机器学习算法。
欢迎加入我们Fundebug的全栈BUG监控交流群: 622902485。
版权声明:
转载时请注明作者Fundebug以及本文地址：
https://blog.fundebug.com/2017/07/03/javascript-machine-learning-regression/
https://blog.sciencenet.cn/blog-811611-1064317.html
上一篇：Fundebug能够捕获这些BUG
下一篇：12个必备的JavaScript装逼技巧
