前端实现常见机器学习算法

一：前言

机器学习和深度学习发展已成未来主流，作为一个软件工程师，我们不可能不去接触，学习这类算法，前端工程师同样也应该熟悉并且掌握，这样我们才不会被淘汰。

本次所有代码都将基于mljs这个库来实现。简单容易上手，适合初学者接触学习。

二：前端如何做ai

前端发展至今，已有数十年之久，技术迭代，框架发展日新月异前端做ai已经不是难事，node，webwebsembly等技术的加持让前端ai化成为可能。

在百花齐放的ai时代，已产生无数优秀的框架和代码，其中最具有代表性的就是tensorflowjs，当然这个库学习比较复杂，成本比较高，本次的重点将不在于此，我们将借助MLJS来现实。

三：关于mljs

地址：ml.js · GitHub

这是一款基于Node和浏览器的机器学习和数字科学工具库，其中包含了所有常用的机器学习算法。本系列文章都将基于其进行叙述。

主文件在如下地址：GitHub - mljs/ml: Machine learning tools in JavaScript

其中主要包含有监督学习和非监督学习两类机器学习代码库。

非监督学习有PCA降纬算法，Hierarchical clustering 聚类分析，K-means clustering 聚类分析。

监督学习算法有Naive Bayes算法，K-Nearest Neighbor算法，偏最小二乘法 Partial Least Squares，K-OPLS，交叉验证(Cross-validation)，Decision tree classifier，Random forest classifier等算法。

当然作为一个机器学习工具库，这里不仅仅有ml算法代码，还有各种数学算法库为ML提供强大的支持。下面就是最基本的数学库列表。

Matrix: ML.Matrix (Matrix class)

Singular value decomposition (SVD): ML.SVD

等等…………

四：一个简单实现

本篇文章为该系列文章的开头，将以一个简单的例子拉开序幕（官方实例）。

例子基于朴素贝叶分类进行：GitHub - mljs/naive-bayes: Naive bayes classifier.

第一步：安装依赖npm install ml-naivebayes

第二步：编写基本代码

const {GaussianNB} = require('ml-naivebayes');
​
// 数据集
const Xtrain = [[1,0],[0,1],[1,1],[0,0]]
const Ytrain = [1,1,0,0]
​
// 载入模型训练
const model = new GaussianNB();
model.train(Xtrain, Ytrain);
​
const Xtest = [1,0.5]
// 预测结果
const predictions = model.predict([Xtest]);
console.log(predictions);

我们完成一个简单的0，1分类的预测。后面的文章我们将对其进行更加复杂的预测工作和调优工作。

这就是一个简单的机器学习预测代码，然后执行node naivebayes.js预测，输出结果如下：

我们完成一个简单的0，1分类的预测。后面的文章我们将对其进行更加复杂的预测工作和调优工作。

五：代码地址

github：https://github.com/guanjiangtao/ml-js-study 记得给个小星星哦～