TypeScript 用于机器学习：功能与限制

轻松学习Python，无需理论负担。在浏览器中直接解决带自动检查的实践任务，无需安装任何东西。

简介：TypeScript 在机器学习世界中的应用

机器学习（ML）世界传统上与 Python 相关联——这是一种拥有丰富库生态系统的强大语言。然而，随着 Web 应用程序的日益普及以及直接在浏览器或 Node.js 服务器上执行 ML 模型的需求，TypeScript 开始占据一席之地。TypeScript 是 JavaScript 的一个严格类型化超集，它增加了静态类型化和现代 OOP 功能。在本文中，我们将分析 TypeScript 在机器学习任务中的适用性、它的优势以及关键限制。

如果您是正在学习 TypeScript 的 Python 开发者，或者是希望将 ML 集成到项目中的 Web 程序员，本文档将帮助您了解是否值得将 TypeScript 用于机器学习。

TypeScript 在机器学习中的主要功能

1. TensorFlow.js —— 通往神经网络世界的大门

TypeScript 上最强大的 ML 库是 TensorFlow.js。它允许完全在 JavaScript/TypeScript 中创建、训练和运行神经网络模型。您可以使用现成的模型（例如，用于图像识别的 MobileNet）或构建自己的架构。

示例：在 TensorFlow.js 上创建简单的线性回归

import * as tf from '@tensorflow/tfjs';

// 创建一个简单模型：一个单神经元层const model = tf.sequential();model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// 编译模型：SGD 优化器，MSE 损失函数model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

// 训练数据：y = 2x - 1const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

// 训练模型model.fit(xs, ys, {epochs: 250}).then(() => {  // 预测 x = 10  const output = model.predict(tf.tensor2d([10], [1, 1])) as tf.Tensor;  output.print(); // 预期结果：~19});

这段代码既可以在浏览器中运行，也可以在 Node.js 上运行。得益于 TypeScript，您在处理张量和层时可以获得自动补全和类型检查，从而减少错误数量。

2. 经典 ML 库：ML.js 和 Brain.js

对于不需要深度学习的任务，存在基于 TypeScript/JavaScript 的库：

ML.js —— 一套用于经典机器学习的工具：聚类（K-Means）、回归、决策树、支持向量机（SVM）。
Brain.js —— 一个简单的神经网络库，非常适合初学者。
Danfo.js —— JavaScript/TypeScript 中的 pandas 类似物，允许处理表格数据。

示例：使用 ML.js 进行 K-Means 聚类

import { KMeans } from 'ml-kmeans';

const data = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]];const k = 2;const result = KMeans(data, k);

console.log(result.clusters); // [0, 0, 0, 1, 1, 1]console.log(result.centroids); // 聚类中心