JavaScript機器學習之線性迴歸

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

爲了保證可讀性，本文采用意譯而非直譯。另外，本文版權歸原做者全部，翻譯僅用於學習。

使用JavaScript作機器學習？不是應該用Python嗎？是否是我瘋了才用JavaScript作如此繁重的計算？難道我不用Python和R是爲了裝逼？scikit-learn(Python機器學習庫)不能使用Python吧？

嗯，我並無開玩笑...

其實呢，相似於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？

1. 太慢（幻覺？）
2. 矩陣操做太難（有函數庫啊，好比math.js）
3. JavaScript只能用於前端開發（Node.js開發者笑了）
4. 機器學習庫都是Python（JS開發者）

JavaScript機器學習庫

1. brain.js (神經網絡)
2. Synaptic (神經網絡)
3. Natural (天然語言處理)
4. ConvNetJS (卷積神經網絡)
5. mljs (一系列AI庫)
6. Neataptic (神經網絡)
7. Webdnn (深度學習)

咱們將使用mljs來實現線性迴歸，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複製代碼

或者使用 npm

$ npm install ml-regression csvtojson複製代碼

• ml-regression模塊提供了一些迴歸算法
• csvtojson模塊用於將CSV數據轉換爲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中輸入如下內容：

const ml = require("ml-regression");
const csv = require("csvtojson");
const SLR = ml.SLR; // 線性迴歸

const csvFilePath = "advertising.csv"; // 訓練數據
let csvData = [], 
    X = [], 
    y = []; 

let regressionModel;複製代碼

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(); 
    });複製代碼

3. 轉換數據

導入的數據爲json對象數組，咱們須要使用dressData函數將其轉化爲兩個數據向量x和y:

// 將JSON數據轉換爲向量數據
function dressData() {
    /** * 原始數據中每一行爲JSON對象 * 所以須要將數據轉換爲向量數據，並將字符串解析爲浮點數 * { * TV: "10", * Radio: "100", * Newspaper: "20", * "Sales": "1000" * } */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}


// 將字符串解析爲浮點數
function f(s) {
    return parseFloat(s);
}複製代碼

4. 訓練數據並預測

編寫performRegression函數：

// 使用線性迴歸算法訓練數據
function performRegression() {
    regressionModel = new SLR(X, y);
    console.log(regressionModel.toString(3));
    predictOutput();
}複製代碼

regressionModel的toString方法能夠指定參數的精確度。

predictOutput函數能夠根據輸入值輸出預測值。

// 接收輸入數據，而後輸出預測值
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();
    });
}複製代碼

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
});複製代碼

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; // 線性迴歸

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(); 
    });


// 使用線性迴歸算法訓練數據
function performRegression() {
    regressionModel = new SLR(X, y);
    console.log(regressionModel.toString(3));
    predictOutput();
}


// 將JSON數據轉換爲向量數據
function dressData() {
    /** * 原始數據中每一行爲JSON對象 * 所以須要將數據轉換爲向量數據，並將字符串解析爲浮點數 * { * TV: "10", * Radio: "100", * Newspaper: "20", * "Sales": "1000" * } */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}


// 將字符串解析爲浮點數
function f(s) {
    return parseFloat(s);
}


// 接收輸入數據，而後輸出預測值
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();
    });
}複製代碼

執行 node index.js ，則輸出以下：

$ node index.js複製代碼

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) :複製代碼

恭喜！你已經使用JavaScript訓練了一個線性迴歸模型，以下：

f(x) = 0.202 * x + 9.31複製代碼

感興趣的話，請持續關注 machine-learning-with-js，我將使用JavaScript實現各類機器學習算法。

歡迎加入咱們Fundebug的全棧BUG監控交流羣: 622902485。

---

版權聲明:
轉載時請註明做者Fundebug以及本文地址：
blog.fundebug.com/2017/07/03/…