PHP ကို ​​အသုံးပြု. STORSTESS ခွဲခြမ်းစိတ်ဖြာခြင်း algorithms: စက်သင်ယူမှုဖြင့်စတင်ရန်လမ်းညွှန်

နိဒါန်း

စက်သင်ယူမှုသည်ယနေ့တွင်အပူဆုံးနည်းပညာတစ်ခုဖြစ်သည်။ လယ်ကွင်းအမျိုးမျိုးတွင်သိသိသာသာသက်ရောက်မှုရှိနိုင်သည်။ Simpends Analysis သည်စာသားအပြောင်းအလဲများကိုအလိုအလျောက်ခွဲခြမ်းစိတ်ဖြာခြင်းကိုအလိုအလျောက်ခွဲခြမ်းစိတ်ဖြာရန်ကူညီပေးနိုင်သည့်စာသားပြုပြင်ခြင်းနယ်ပယ်တွင်စက်ပစ္စည်းလေ့လာမှု၏အရေးအကြီးဆုံးမှာအရေးယူခြင်း၏အရေးကြီးသောအသုံးချမှုဖြစ်သည်။ ဤဆောင်းပါးသည် PHP နှင့် Machine ကို Elp နှင့် Machine ကို အသုံးပြု. ရိုးရှင်းသောစိတ်ထားဆန်းစစ်ခြင်း algorithm ကိုမည်သို့တည်ဆောက်ရမည်ကို Code Phap မှဥပမာပေးသည်။

1 ။ စိတ်လှုပ်ရှားမှုခွဲခြမ်းစိတ်ဖြာခြင်းဆိုတာဘာလဲ။

ထင်မြင်ယူဆသောသတ္တုတူးဖော်ရေးဟုလည်းလူသိများသောစိတ်ဓာတ်ရေးဆန်းစစ်ခြင်းသည်လူများ၏စိတ်လှုပ်ရှားမှုဆိုင်ရာသဘောထားကိုစာသားခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့်ဆုံးဖြတ်ရန်နည်းလမ်းဖြစ်သည်။ စိတ်ခံစားမှုဆိုင်ရာခွဲခြမ်းစိတ်ဖြာမှုကိုအဓိကအမျိုးအစားနှစ်မျိုးခွဲခြားနိုင်သည်။ စိတ်လှုပ်ရှားမှုဆိုင်ရာခွဲခြားမှုသည်စာသားအချက်အလက်များကိုအပြုသဘော, အပျက်သဘောဆောင်သောစိတ်ခံစားမှုများသို့ကွဲပြားစေပြီးစိတ်လှုပ်ရှားမှုကိုဆန်းစစ်ခြင်းသည်စိတ်လှုပ်ရှားမှုပိုင်းဆိုင်ရာသဘောထားများပိုမိုဂရုတစိုက်ဆိုးရွားသောပြင်းထန်မှုကိုအကဲဖြတ်သည်။

2 ။ စိတ်လှုပ်ရှားမှုခွဲခြမ်းစိတ်ဖြာခြင်း algorithm ကိုတည်ဆောက်ရန်ခြေလှမ်းများ

1. Dataset ကိုပြင်ဆင်နေခြင်း algorithm ၏စိတ်ဓာတ်ခွဲခြမ်းစိတ်ဖြာခြင်း၏ပထမခြေလှမ်းမှာစိတ်ပိုင်းဆိုင်ရာသဘောထားများတံဆိပ်ကပ်ထားသော dataset ကိုပြင်ဆင်ရန်ဖြစ်သည်။ ဤ Dataset တွင်စာသားနှင့်သက်ဆိုင်ရာစိတ်ခံစားမှုဆိုင်ရာ tags များ (အပြုသဘော, အပျက်သဘောဆောင်သောသို့မဟုတ်ကြားနေ) ပါ 0 င်ရန်လိုအပ်သည်။ သင်သည်အများပြည်သူဆိုင်ရာအချက်အလက်များမှအချက်အလက်များကိုစုဆောင်းခြင်းသို့မဟုတ်သင်၏ကိုယ်ပိုင် Dataset ကိုသုံးနိုင်သည်။
2. Preprocessing-Data Preprocessing Phase တွင် Data preprocessing phase တွင် algorithms သင်ယူမှုအတွက်သင့်လျော်စေရန်စာသားကိုသန့်ရှင်းရေးလုပ်ရန်လိုအပ်သည်။ ၎င်းတွင်ပုဒ်ဖြတ်ပုဒ်ရပ်များကိုဖယ်ရှားခြင်း, စကားလုံးများနှင့်နံပါတ်များကိုရပ်တန့်ခြင်း,
3. Extraction Extraction - အင်္ဂါနေ့တွင်စက်ပစ္စည်းသင်ယူခြင်းဖြင့်ပြုလုပ်နိုင်သည့်ပစ္စည်းအားဖြင့်စာသားကိုပြောင်းလဲခြင်းကိုပြောင်းလဲခြင်းလုပ်ငန်းစဉ်သည်စာသားပြောင်းခြင်းလုပ်ငန်းစဉ်ဖြစ်သည်။ အများအားဖြင့် feature ထုတ်ယူခြင်းနည်းလမ်းများတွင်အိတ် -of စကားလုံးပုံစံနှင့် TF-IDF တို့ပါဝင်သည်။
4. Classification Model တခုကိုတည်ဆောက်ခြင်း - PHP တွင် SPP-ML သို့မဟုတ် PHP-AI / PHP-ML ကဲ့သို့သော MOP-ML သို့မဟုတ် PHP-MOM ကဲ့သို့သော MOP-AI / PHP-MOT ကဲ့သို့သော MOMP-AI / PHP-MOM ကိုသုံးနိုင်သည်။ ဤစာကြည့်တိုက်များသည်နယူးယင်ပေါင်းများစွာ clatefifiers များ,
5. လေ့ကျင့်ရေးနှင့်အကဲဖြတ်ခြင်းပုံစံ - ပြင်ဆင်ထားသောဒေတာအစုများကို အသုံးပြု. အချက်အလက်များကိုလေ့ကျင့်ရေးအစုံများနှင့်စမ်းသပ်မှုအစုများသို့ခွဲခြားနိုင်သည်။ ထို့နောက်မော်ဒယ်ကိုလေ့ကျင့်ရေးအစုကို အသုံးပြု. လေ့ကျင့်သင်ကြားပေးပြီးပုံစံစွမ်းဆောင်ရည်ကိုအကဲဖြတ်ရန်အသုံးပြုသည်။ အကဲဖြတ်ခြင်းညွှန်းကိန်းများတွင်တိကျမှန်ကန်မှု, တိကျမှန်ကန်မှု, ပြန်လည်သိမ်းဆည်းခြင်းနှင့် F1 ရမှတ်တို့ပါဝင်သည်။
6. စိတ်ဓာတ်သုံးသပ်ခြင်းခန့်မှန်းတွက်ချက်မှုကိုလုပ်ဆောင်ပါ။ စံပြသင်တန်းပြီးဆုံးသွားသောအခါ, စာသားအသစ်ကိုမော်ဒယ်ထဲထည့်ခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်သက်ဆိုင်ရာစိတ်ပိုင်းဆိုင်ရာသဘောထားရလဒ်များကိုရရှိနိုင်ပါသည်။

3 ။ PHP ကုဒ်သင်္ကေတ

ဤနေရာတွင်နယူးယောက်ဘင်္ဂလားပင်လယ်အော်အမျိုးအစားမော်ဒယ်လ်မော်ဒယ်လ်မော်ဒယ်လ်မော်ဒယ်လ်ကိုတည်ဆောက်ခြင်းနှင့်လေ့ကျင့်ခြင်းအတွက်ရိုးရှင်းသော PHP ကုဒ်စံနမူနာတစ်ခုမှာစိတ်ဓာတ်သုံးသပ်ခြင်းခွဲခြမ်းစိတ်ဖြာခြင်းအတွက်အသုံးပြုသည်။

<?php
// စက်ကိုစာကြည့်တိုက်မိတ်ဆက်ပေးခြင်း
require 'vendor/autoload.php';

use Phpml\Dataset\CsvDataset;
use Phpml\FeatureExtraction\TokenCountVectorizer;
use Phpml\Tokenization\WhitespaceTokenizer;
use Phpml\Classification\NaiveBayes;

// dataset ကိုတင်
$dataset = new CsvDataset('data.csv', 1);

// Preprocessing နှင့် feature ထုတ်ယူခြင်းကိုလုပ်ဆောင်ပါ
$vectorizer = new TokenCountVectorizer(new WhitespaceTokenizer());
$vectorizer-> fit ($ dataset-> getamples ());
$ vectorizer-> Transform ($ dataset-> gethamples ());

// dataset ကိုလေ့ကျင့်ရေး set ကို set နှင့်စမ်းသပ်မှု $ splitratio = 0.8;
$ dataset-> split ($ splitratio);

// နယူးသောပင်လယ်အော်စံချိန်တင်မော်ဒယ် $ classifier = NaiveBayes (),

// မော်ဒယ် $ classifier-> ရထား ($ dataset-> gethamplipe (), $ dataset-> gettargets ());

// စိတ်ခံစားမှုဆိုင်ရာသဘောထားကိုခန့်မှန်းရန် $ text = "ဒီထုတ်ကုန်ကအရမ်းအသုံးဝင်တယ်။ "
$ နမူနာ = $ vectorizer-> Transform ([$ text]);
$ ရလဒ် = $ classifier-> ကြိုတင်ခန့်မှန်း ($ နမူနာ);

ပဲ့တင်သံ "စာသား -" ။ $ စာသား။ "<br> ";
ECHO "စိတ်ပိုင်းဆိုင်ရာသဘောထား -" ။ $ ရလဒ် [0] ။ "<br> ";
>

အထက်ဖော်ပြပါကုဒ်ဥပမာသည် Php-ML စာကြည့်တိုက်ကိုနုံပုတ်ခြင်းပုံစံကိုလေ့ကျင့်သင်ကြားပေးရန်နှင့်သတ်မှတ်ထားသောစာသားအပေါ်စိတ်ဓာတ်ခွဲခြမ်းစိတ်ဖြာခြင်းခန့်မှန်းချက်များပြုလုပ်ရန်အသုံးပြုသည်။

ကောက်ချက်

PHP နှင့် Machine ကို algorithms များကိုလေ့လာခြင်းဖြင့်ကျွန်ုပ်တို့သည်စာသားများတွင်စိတ်ပိုင်းဆိုင်ရာသဘောထားများကိုအလိုအလျောက်ခွဲခြမ်းစိတ်ဖြာရန်ရိုးရှင်းသောစိတ်ထားဆန်းစစ်ခြင်းခွဲခြမ်းစိတ်ဖြာမှုကိုတည်ဆောက်နိုင်သည်။ Simpends ခွဲခြမ်းစိတ်ဖြာခြင်း, လူမှုရေးမီဒီယာစောင့်ကြည့်လေ့လာခြင်းစသဖြင့်ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြု. အသုံးပြုသူစိတ်ခံစားမှုများနှင့်တုံ့ပြန်ချက်များကိုပိုမိုနားလည်သဘောပေါက်ရန်ကူညီသည်။ ဤဆောင်းပါးသည်သင့်အားစိတ်ခံစားမှုခွဲခြမ်းစိတ်ဖြာမှု algorithms များကိုနားလည်ရန်နှင့်ကျင့်သုံးရန်အထောက်အကူပြုရန်အထောက်အကူပြုနိုင်သည်ဟုကျွန်ုပ်မျှော်လင့်ပါသည်။