php-ml是一個使用PHP編寫的機器學習庫。雖然我們知道，python或者是C++提供了更多機器學習的庫，但實際上，他們大多都略顯複雜，配置起來讓很多新手感到絕望。php-ml這個機器學習庫雖然沒有特别高大上的算法，但其具有最基本的機器學習、分類等算法，我們的小公司做一些簡單的資料分析、預測等等都是夠用的。我們的項目中，追求的應該是成本效益，而不是過分的效率和精度。一些算法和庫看上去非常厲害，但如果我們考慮快速上線，而我們的技術人員沒有機器學習方面的經驗，那麼複雜的代碼和配置反而會拖累我們的項目。而如果我們本身就是做一個簡單的機器學習應用，那麼研究複雜庫和算法的學習成本很顯然高了點，而且，項目出了奇奇怪怪的問題，我們能解決嗎？需求改變了怎麼辦？相信大家都有過這種經曆：做着做着，程式忽然報錯，自己怎麼都搞不清楚原因，上谷歌或百度一搜，隻搜出一條滿足條件的問題，在五年、十年前提問，然後零回複。。。是以，選擇最簡單最高效、成本效益最高的做法是必須的。php-ml的速度不算慢（趕緊換php7吧），而且精度也不錯，畢竟算法都一樣，而且php是基于c的。部落客最看不慣的就是，拿python和Java，PHP之間比性能，比适用範圍。真要性能，請你拿C開發。真要追求适用範圍，也請用C，甚至彙編。。。
首先，我們要使用這個庫，需要先下載下傳這個庫。在github可以下載下傳到這個庫檔案（https://github.com/php-ai/php-ml）。當然，更推薦使用composer來下載下傳該庫，自動配置。
當下載下傳好了以後，我們可以看一看這個庫的文檔，文檔都是一些簡單的小示例，我們可以自己建一個檔案嘗試一下。都淺顯易懂。接下來，我們來拿實際的資料測試一下。資料集一個是Iris花蕊的資料集，另一個由于記錄丢失，是以不知道是有關什麼的資料了。。。
Iris花蕊部分資料，有三種不同的分類：
不知名資料集，小數點被打成了逗号，是以計算時還需要處理一下：
我們先處理不知名資料集。首先，我們的不知名資料集的檔案名為data.txt。而這個資料集剛好可以先繪制成x-y折線圖。是以，我們先将原資料繪制成一個折線圖。由于x軸比較長，是以我們隻需要看清楚它大緻的形狀即可：
繪制采用了php的jpgraph庫，代碼如下：
在有了這個原圖做對比，我們接下來進行學習。我們采用php-ml中的LeastSquars來進行學習。我們測試的輸出需要存入檔案，友善我們可以畫一個對比圖。學習代碼如下：
之後，我們将存入檔案的資料讀出來，繪制一個圖形，先貼最後的效果圖：
代碼如下：
可以發現，圖形出入還是比較大的，尤其是在圖形鋸齒比較多的部分。不過，這畢竟是40組資料，我們可以看出，大概的圖形趨勢是吻合的。一般的庫在做這種學習時，資料量低的情況下，準确度都非常低。要達到比較高的精度，需要大量的資料，萬條以上的資料量是必要的。如果達不到這個資料要求，那我們使用任何庫都是徒勞的。是以，機器學習的實踐中，真正難的不在精度低、配置複雜等技術問題，而是資料量不夠，或者品質太低（一組資料中無用的資料太多）。在做機器學習之前，對資料的預先處理也是必要的。
接下來，我們來對花蕊資料進行測試。一共三種分類，由于我們下載下傳到的是csv資料，是以我們可以使用php-ml官方提供的操作csv檔案的方法。而這裡是一個分類問題，是以我們選擇庫提供的SVC算法來進行分類。我們把花蕊資料的檔案名定為Iris.csv，代碼如下：
是不是很簡單？短短12行代碼就搞定了。接下來，我們來測試一下。根據我們上面貼出的圖，當我們輸入5 3.3 1.4 0.2的時候，輸出應該是Iris-setosa。我們看一下：
看，至少我們輸入一個原來就有的資料，得到了正确的結果。但是，我們輸入原資料集中沒有的資料呢？我們來測試兩組：
由我們之前貼出的兩張圖的資料看，我們輸入的資料在資料集中并不存在，但分類按照我們初步的觀察來看，是合理的。
是以，這個機器學習庫對于大多數的人來說，都是夠用的。而大多數鄙視這個庫鄙視那個庫，大談性能的人，基本上也不是什麼大牛。真正的大牛已經忙着撈錢去了，或者正在做學術研究等等。我們更多的應該是掌握算法，了解其中的道理和玄機，而不是誇誇其談。當然，這個庫并不建議用在大型項目上，隻推薦小型項目或者個人項目等。
jpgraph隻依賴GD庫，是以下載下傳引用之後就可以使用，大量的代碼都放在了繪制圖形和初期的資料處理上。由于庫的出色封裝，學習代碼并不複雜。
本文轉自 sshpp 51CTO部落格，原文連結：xxxhttp://blog.51cto.com/12902932/1949421xxxx，如需轉載請自行聯系原作者