目前，機器學(xué)習(xí)領(lǐng)域建模的主要語言是 Python 和 R，前不久騰訊推出的機器學(xué)習(xí)框架 Angel 則支持 Java 和 Scala。本文作者 Abhishek Soni 則用行動告訴我們，開發(fā)機器學(xué)習(xí)模型，JavaScript 也可以。

JavaScript？我不是應(yīng)該使用 Python 嗎？甚至 Scikit-learn 在 JavaScript 上都不工作。

這是可能的，實際上，連我自己都驚訝于開發(fā)者對此忽視的態(tài)度。就 Scikit-learn 而言，Javascript 的開發(fā)者事實上已經(jīng)推出了適用的庫，它會在本文中有所提及。那么，讓我們看看 Javascript 在機器學(xué)習(xí)上能夠做什么吧。

根據(jù)人工智能先驅(qū) Arthur Samuel 的說法，機器學(xué)習(xí)為計算機提供了無需明確編程的學(xué)習(xí)能力。換句話說，它使得計算機能夠自我學(xué)習(xí)并執(zhí)行正確的指令，無需人類提供全部指導(dǎo)。

谷歌已經(jīng)把自己移動優(yōu)先的策略轉(zhuǎn)換到人工智能優(yōu)先很久了。

為什么 JavaScript 在機器學(xué)習(xí)界未被提及過？

• 慢（真的假的？）
• 矩陣操作很困難（這里有庫，比如 math.js）
• 僅用于 Web 開發(fā)（然而這里還有 Node.js）
• 機器學(xué)習(xí)庫通常是在 Python 上的（還好，JS 的開發(fā)者人數(shù)也不少）

在 JavaScript 中有一些可供使用的預(yù)制庫，其中包含一些機器學(xué)習(xí)算法，如線性回歸、SVM、樸素貝葉斯等等，以下是其中的一部分。

• brain.js（神經(jīng)網(wǎng)絡(luò)）
• Synaptic（神經(jīng)網(wǎng)絡(luò)）
• Natural（自然語言處理）
• ConvNetJS（卷積神經(jīng)網(wǎng)絡(luò)）
• mljs（一組具有多種功能的子庫）

首先，我們將使用 mljs 回歸庫來進行一些線性回歸操作。

參考代碼：https://github.com/abhisheksoni27/machine-learning-with-js

1. 安裝庫

$ npm install ml-regression csvtojson

$ yarn add ml-regression csvtojson

ml-regression 正如其名，負責機器學(xué)習(xí)的線性回歸。

csvtojson 是一個用于 node.js 的快速 CSV 解析器，它允許加載 CSV 數(shù)據(jù)文件并將其轉(zhuǎn)換為 JSON。

2. 初始化并加載數(shù)據(jù)

下載數(shù)據(jù)文件（.csv），并將其加入你的項目。

鏈接：http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv

如果你已經(jīng)初始化了一個空的 npm 項目，打開 index.js，輸入以下代碼。

const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression

const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
    X = [], // Input
    y = []; // Output

let regressionModel;

我把文件放在了項目的根目錄下，如果你想放在其他地方，請記得更新 csvFilePath。

現(xiàn)在我們使用 csvtojson 的 fromFile 方法加載數(shù)據(jù)文件：

csv()
    .fromFile(csvFilePath)
    .on('json', (jsonObj) => {
        csvData.push(jsonObj);
    })
    .on('done', () => {
        dressData(); // To get data points from JSON Objects
        performRegression(); 
    });

3. 打包數(shù)據(jù)，準備執(zhí)行

JSON 對象被存儲在 csvData 中，我們還需要輸入數(shù)據(jù)點數(shù)組和輸出數(shù)據(jù)點。我們通過一個填充 X 和 Y 變量的 dressData 函數(shù)來運行數(shù)據(jù)。

function dressData() {
    /**
     * One row of the data object looks like:
     * {
     *   TV: "10",
     *   Radio: "100",
     *   Newspaper: "20",
     *   "Sales": "1000"
     * }
     *
     * Hence, while adding the data points,
     * we need to parse the String value as a Float.
     */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}

function f(s) {
    return parseFloat(s);
}

4. 訓(xùn)練模型開始預(yù)測

數(shù)據(jù)已經(jīng)打包完畢，是時候訓(xùn)練我們的模型了。

為此，我們需要寫一個 performRegression 函數(shù)：

function performRegression() {
    regressionModel = new SLR(X, y); // Train the model on training data
    console.log(regressionModel.toString(3));
    predictOutput();
}

performRegression 函數(shù)有一個方法 toString，它為浮點輸出獲取一個名為 precision 的參數(shù)。predictOutput 函數(shù)能讓你輸入數(shù)值，然后將模型的輸出傳到控制臺。它是這樣的（注意，我使用的是 Node.js 的 readline 工具）：

function predictOutput() {
    rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {
        console.log(`At X = ${answer}, y =  ${regressionModel.predict(parseFloat(answer))}`);
        predictOutput();
    });
}

以下是為了增加閱讀用戶的代碼

const readline = require('readline'); // For user prompt to allow predictions

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

5. 大功告成！

遵循以上步驟，你的 index.js 應(yīng)該是這樣：

const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression

const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
    X = [], // Input
    y = []; // Output

let regressionModel;

const readline = require('readline'); // For user prompt to allow predictions

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

csv()
    .fromFile(csvFilePath)
    .on('json', (jsonObj) => {
        csvData.push(jsonObj);
    })
    .on('done', () => {
        dressData(); // To get data points from JSON Objects
        performRegression(); 
    });

function performRegression() {
    regressionModel = new SLR(X, y); // Train the model on training data
    console.log(regressionModel.toString(3));
    predictOutput();
}

function dressData() {
    /**
     * One row of the data object looks like:
     * {
     *   TV: "10",
     *   Radio: "100",
     *   Newspaper: "20",
     *   "Sales": "1000"
     * }
     *
     * Hence, while adding the data points,
     * we need to parse the String value as a Float.
     */
    csvData.forEach((row) => {
        X.push(f(row.Radio));
        y.push(f(row.Sales));
    });
}

function f(s) {
    return parseFloat(s);
}

function predictOutput() {
    rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {
        console.log(`At X = ${answer}, y =  ${regressionModel.predict(parseFloat(answer))}`);
        predictOutput();
    });
}

到你的終端上運行 node index.js，得到的輸出會是這樣：

$ node index.js
f(x) = 0.202 * x + 9.31
Enter input X for prediction (Press CTRL+C to exit) : 151.***t X = 151.5, y =  39.98974927911285
Enter input X for prediction (Press CTRL+C to exit) :

恭喜！你剛剛在 JavaScript 中訓(xùn)練了***個線性回歸模型。（PS. 你注意到速度了嗎？）