JavaScript机器学习之线性回归

译者按: AI时代，不会机器学习的JavaScript开发者不是好的前端工程师。

原文: Machine Learning with JavaScript : Part 1

译者: Fundebug

为了保证可读性，本文采用意译而非直译。另外，本文版权归原做者全部，翻译仅用于学习。

使用JavaScript作机器学习？不是应该用Python吗？是否是我疯了才用JavaScript作如此繁重的计算？难道我不用Python和R是为了装逼？scikit-learn(Python机器学习库)不能使用Python吧？

嗯，我并无开玩笑...

其实呢，相似于Python的scikit-learn，JavaScript开发者也开发了一些机器学习库，我打算用一下它们。

JavaScript不能用于机器学习？

1. 太慢（幻觉？）
2. 矩阵操做太难（有函数库啊，好比math.js）
3. JavaScript只能用于前端开发（Node.js开发者笑了）
4. 机器学习库都是Python（JS开发者）

JavaScript机器学习库

1. brain.js (神经网络)
2. Synaptic (神经网络)
3. Natural (天然语言处理)
4. ConvNetJS (卷积神经网络)
5. mljs (一系列AI库)
6. Neataptic (神经网络)
7. Webdnn (深度学习)

咱们将使用mljs来实现线性回归，源代码在GitHub仓库： machine-learning-with-js。下面是详细步骤：

1. 安装模块

$ yarn add ml-regression csvtojson复制代码

或者使用 npm

$ npm install ml-regression csvtojson复制代码

• ml-regression模块提供了一些回归算法
• csvtojson模块用于将CSV数据转换为JSON。

2. 初始化并导入数据

下载.csv数据。

假设你已经初始化了一个NPM项目，请在index.js中输入如下内容：

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

const csvFilePath = "advertising.csv"; // 训练数据
let csvData = [], 
    X = [], 
    y = []; 

let regressionModel;复制代码

使用csvtojson模块的fromFile方法加载数据：

csv()
    .fromFile(csvFilePath)
    .on("json", (jsonObj) => {
        csvData.push(jsonObj);
    })
    .on("done", () => {
        dressData(); 
        performRegression(); 
    });复制代码

3. 转换数据

导入的数据为json对象数组，咱们须要使用dressData函数将其转化为两个数据向量x和y:

// 将JSON数据转换为向量数据
function dressData() {
    /** * 原始数据中每一行为JSON对象 * 所以须要将数据转换为向量数据，并将字符串解析为浮点数 * { * TV: "10", * Radio: "100", * Newspaper: "20", * "Sales": "1000" * } */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}


// 将字符串解析为浮点数
function f(s) {
    return parseFloat(s);
}复制代码

4. 训练数据并预测

编写performRegression函数：

// 使用线性回归算法训练数据
function performRegression() {
    regressionModel = new SLR(X, y);
    console.log(regressionModel.toString(3));
    predictOutput();
}复制代码

regressionModel的toString方法能够指定参数的精确度。

predictOutput函数能够根据输入值输出预测值。

// 接收输入数据，而后输出预测值
function predictOutput() {
    rl.question("请输入X用于预测(输入CTRL+C退出) : ", (answer) => {
        console.log(`当X = ${answer}时, 预测值y = ${regressionModel.predict(parseFloat(answer))}`);
        predictOutput();
    });
}复制代码

predictOutput函数使用了Node.js的Readline模块：

const readline = require("readline");

const rl = readline.createInterface({
    input: process.stdin, 
    output: process.stdout
});复制代码

5. 完整程序

完整的程序index.js是这样的：

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

const csvFilePath = "advertising.csv"; // 训练数据
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(); 
    });


// 使用线性回归算法训练数据
function performRegression() {
    regressionModel = new SLR(X, y);
    console.log(regressionModel.toString(3));
    predictOutput();
}


// 将JSON数据转换为向量数据
function dressData() {
    /** * 原始数据中每一行为JSON对象 * 所以须要将数据转换为向量数据，并将字符串解析为浮点数 * { * TV: "10", * Radio: "100", * Newspaper: "20", * "Sales": "1000" * } */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}


// 将字符串解析为浮点数
function f(s) {
    return parseFloat(s);
}


// 接收输入数据，而后输出预测值
function predictOutput() {
    rl.question("请输入X用于预测(输入CTRL+C退出) : ", (answer) => {
        console.log(`当X = ${answer}时, 预测值y = ${regressionModel.predict(parseFloat(answer))}`);
        predictOutput();
    });
}复制代码

执行 node index.js ，则输出以下：

$ node index.js复制代码

f(x) = 0.202 * x + 9.31
请输入X用于预测(输入CTRL+C退出) : 151.5
当X = 151.5时, 预测值y =  39.98974927911285
请输入X用于预测(输入CTRL+C退出) :复制代码

恭喜！你已经使用JavaScript训练了一个线性回归模型，以下：

f(x) = 0.202 * x + 9.31复制代码

感兴趣的话，请持续关注 machine-learning-with-js，我将使用JavaScript实现各类机器学习算法。

欢迎加入咱们Fundebug的全栈BUG监控交流群: 622902485。

---

版权声明:
转载时请注明做者Fundebug以及本文地址：
blog.fundebug.com/2017/07/03/…