开启基于JavaScript的机器学习之路 | 机器学习与JavaScript（一）

https://mp.weixin.qq.com/s/N6aEUn7J2H48J8XZ4pmvAg

基于 JavaScript 的机器学习？！没错，是 基于 JavaScript 的机器学习！关注前端之巅系列文章——《机器学习与 JavaScript》，利用 JavaScript 开启机器学习之路！ 基于 JavaScript 的机器学习？

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？

1. JavaScript 很慢。（完全错误的观念 !?! ）

2. JavaScript 很难进行矩阵操作。（但是有很多库的，比如math.js ）

3. JavaScript 仅仅被认为是用来做 web 开发的。（Node.js 默默的笑了）

4. 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：

1. brain.js（神经网络）

2. Synaptic（神经网络）

3. Natural（自然语言处理）

4. ConvNetJS（卷积神经网络）

5. mljs（一种具有多个函数方法的子库）

 开启 JavaScript 的机器学习之路

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（https://github.com/abhisheksoni27/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 csvtojson

ml-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。

 英文原文链接

Machine Learning with JavaScript : Part 1

https://hackernoon.com/machine-learning-with-javascript-part-1-9b97f3ed4fe5