JavaScript機器學習之線性回歸

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

為了保證可讀性，本文采用意譯而非直譯。另外，本文版權歸原作者所有，翻譯僅用于學習。

使用JavaScript做機器學習？不是應該用Python嗎？是不是我瘋了才用JavaScript做如此繁重的計算？難道我不用Python和R是為了裝逼？scikit-learn(Python機器學習庫)不能使用Python吧？

嗯，我并沒有開玩笑...

其實呢，類似于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不能用于機器學習？

1. 太慢（幻覺？）
2. 矩陣操作太難（有函數庫啊，比如math.js）
3. JavaScript只能用于前端開發（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 (自然語言處理)
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)

我們將使用mljs來實現線性回歸，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

或者使用 npm

$ npm install ml-regression csvtojson

• ml-regression模塊提供了一些回歸算法
• csvtojson模塊用于將CSV數據轉換為JSON。

2. 初始化并導入數據

下載.csv數據。

假設你已經初始化了一個NPM項目，請在index.js中輸入以下內容：

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

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

let regressionModel;

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(); 
    });

3. 轉換數據

導入的數據為json對象數組，我們需要使用dressData函數將其轉化為兩個數據向量x和y:

// 將JSON數據轉換為向量數據
function dressData() {
    /**
     * 原始數據中每一行為JSON對象
     * 因此需要將數據轉換為向量數據，并將字符串解析為浮點數
     * {
     *   TV: "10",
     *   Radio: "100",
     *   Newspaper: "20",
     *   "Sales": "1000"
     * }
     */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}

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

4. 訓練數據并預測

編寫performRegression函數：

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

regressionModel的toString方法可以指定參數的精確度。

predictOutput函數可以根據輸入值輸出預測值。

// 接收輸入數據，然后輸出預測值
function predictOutput() {
    rl.question("請輸入X用于預測(輸入CTRL+C退出) : ", (answer) => {
        console.log(`當X = ${answer}時, 預測值y = ${regressionModel.predict(parseFloat(answer))}`);
        predictOutput();
    });
}

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
});

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; // 線性回歸

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(); 
    });

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

// 將JSON數據轉換為向量數據
function dressData() {
    /**
     * 原始數據中每一行為JSON對象
     * 因此需要將數據轉換為向量數據，并將字符串解析為浮點數
     * {
     *   TV: "10",
     *   Radio: "100",
     *   Newspaper: "20",
     *   "Sales": "1000"
     * }
     */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}

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

// 接收輸入數據，然后輸出預測值
function predictOutput() {
    rl.question("請輸入X用于預測(輸入CTRL+C退出) : ", (answer) => {
        console.log(`當X = ${answer}時, 預測值y = ${regressionModel.predict(parseFloat(answer))}`);
        predictOutput();
    });
}

執行 node index.js ，則輸出如下：

$ node index.js

f(x) = 0.202 * x + 9.31
請輸入X用于預測(輸入CTRL+C退出) : 151.5
當X = 151.5時, 預測值y =  39.98974927911285
請輸入X用于預測(輸入CTRL+C退出) :

恭喜！你已經使用JavaScript訓練了一個線性回歸模型，如下：

f(x) = 0.202 * x + 9.31

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

關于Fundebug

Fundebug專注于JavaScript、微信小程序、微信小游戲、支付寶小程序、React Native、Node.js和Java實時BUG監控。 自從2016年雙十一正式上線，Fundebug累計處理了7億+錯誤事件，得到了Google、360、金山軟件、百姓網等眾多知名用戶的認可。歡迎免費試用！

版權聲明

轉載時請注明作者Fundebug以及本文地址：
https://blog.fundebug.com/2017/07/03/javascript-machine-learning-regression/