PHP 用于机器学习：2024 年的可能性与局限性

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。

PHP用于机器学习：现实还是神话？

许多习惯于使用Python生态系统进行机器学习（ML）任务的开发者，对于在该领域使用PHP持怀疑态度。确实，从历史上看，Python凭借其库（NumPy、Pandas、Scikit-learn、TensorFlow）已成为行业标准。然而，PHP不仅仅是用于网站布局的语言。现代PHP（7.4+和8.x版本）拥有许多特性，使其适用于某些机器学习任务，尤其是在Web应用程序的背景下。

在本文中，我们将分析PHP中存在哪些用于机器学习的工具，它们在哪些场景下使用是合理的，以及在哪些情况下最好转向更专业的语言。

PHP的主要机器学习库

PHP生态系统虽然不如Python丰富，但它拥有几个成熟的库，允许实现基础甚至高级的机器学习算法。

1. PHP-ML（PHP机器学习）

这是最流行且文档完善的库。它提供了广泛的算法：分类、回归、聚类、降维以及数据准备。

示例：使用k近邻（k-NN）方法进行分类

require_once __DIR__ . '/vendor/autoload.php';

use Phpml\\Classification\\KNearestNeighbors;use Phpml\\Dataset\\CsvDataset;

// 从CSV加载数据$dataset = new CsvDataset('iris.csv', 4, true);

// 分割为训练集和测试集$randomSplit = new \\Phpml\\CrossValidation\\RandomSplit($dataset, 0.3);

// 训练模型$classifier = new KNearestNeighbors(3);$classifier->train($randomSplit->getTrainSamples(), $randomSplit->getTrainLabels());

// 预测$predicted = $classifier->predict([5.1, 3.5, 1.4, 0.2]);echo "预测类别: " . $predicted; // 例如，输出 'Iris-setosa'

// 准确率评估$testSamples = $randomSplit->getTestSamples();$testLabels = $randomSplit->getTestLabels();$accuracy = \\Phpml\\Metric\\Accuracy::score($testLabels, $classifier->predict($testSamples));echo "准确率: " . $accuracy;

该库还支持神经网络（多层感知器）、决策树、SVM、朴素贝叶斯分类器以及集成方法（随机森林、AdaBoost）。

2. Rubix ML

一个比PHP-ML更现代且高性能的替代品。Rubix ML利用了PHP 7.4+的功能（类型化属性、性能），并提供了高级工具：流水线、交叉验证、通过GridSearch进行超参数调优。

示例：使用梯度提升进行回归

require_once __DIR__ . '/vendor/autoload.php';

use Rubix\\ML\\Datasets\\Labeled;use Rubix\\ML\\Regressors\\GradientBoost;use Rubix\\ML\\CrossValidation\\Reports\\RSquared;

// 创建合成数据$samples = [[1], [2], [3], [4], [5]];$labels = [2, 4, 6, 8, 10];

$dataset = Labeled::fromIterator($samples, $labels);

// 训练$estimator = new GradientBoost();$estimator->train($dataset);

// 预测$prediction = $estimator->predict([[6]]);echo "6的预测值: " . $prediction[0]; // 应该接近12