پایپ‌لاین

  • پنج‌شنبه 21 آبان 1405 ساعت 21:05
  • 0.6.2
  • کامل شده
  • منقضی شده
این داکیومنت از طرف توسعه‌دهنده ساپورت نمی‌شود، جدیدترین ورژن داکیومنت بزودی ترجمه خواهد شد.

در ماشین لرنینگ، معمول است که دنباله‌ای از الگوریتم‌ها را برای پردازش و یادگیری از دیتاست‌ها اجرا کنیم.

* Split each document’s text into tokens.
* Convert each document’s words into a numerical feature vector ([Token Count Vectorizer](machine-learning/feature-extraction/token-count-vectorizer/)).
* Learn a prediction model using the feature vectors and labels.

PHP-ML چنین ورک‌فلویی را به عنوان پایپ لاین نشان می‌دهد، که شامل دنباله‌ای از مبدل‌ها (transformer) و برآوردکننده (estimator) است.

پارامترهای سازنده

  • $transformers (array|Transformer[]) - دنباله‌ای از آبجکت‌هایی که اینترفیس ترنسفورمر را پیاده‌سازی می‌کنند.
  • $estimator (Estimator) - استیمیتر که می‌تواند آموزش دهد و پیش‌بینی کند.
use Phpml\Classification\SVC;
use Phpml\FeatureExtraction\TfIdfTransformer;
use Phpml\Pipeline;

$transformers = [
    new TfIdfTransformer(),
];
$estimator = new SVC();

$pipeline = new Pipeline($transformers, $estimator);

مثال

First our pipeline replace missing value, then normalize samples and finally train SVC estimator. Thus prepared pipeline repeats each transformation step for predicted sample.

use Phpml\Classification\SVC;
use Phpml\Pipeline;
use Phpml\Preprocessing\Imputer;
use Phpml\Preprocessing\Normalizer;
use Phpml\Preprocessing\Imputer\Strategy\MostFrequentStrategy;

$transformers = [
    new Imputer(null, new MostFrequentStrategy()),
    new Normalizer(),
];
$estimator = new SVC();

$samples = [
    [1, -1, 2],
    [2, 0, null],
    [null, 1, -1],
];

$targets = [
    4,
    1,
    4,
];

$pipeline = new Pipeline($transformers, $estimator);
$pipeline->train($samples, $targets);

$predicted = $pipeline->predict([[0, 0, 0]]);

// $predicted == 4

اصطلاحات مرتبط در واژه‌نامه: طبقه‌بندی

بخش ها

سایر پست های داکیومنت

تگ ها