机器学习|Javascript 机器学习的四个层次( 二 )

说到Javascript深度学习，占统治地位的仍然是Tensorflow.js ，我们来看个经典的强化学习的例子：

使用浏览器的local storage和indexdb作为存储，边训练边展示训练效果的过程，很有前端的风范。
我们再看另一个大厂微软的例子，支持webGL和wasm ，基于浏览器不容易：

另外需要强调的是，用于前端的框架并不是简单的把native或者python框架移植过来的，比如说它要处理兼容性的问题：

很多同学都对Tensorflow有一定了解，我们就手写一个网页，然后在其中调tf的API就好：
!DOCTYPE htmlhtmlheadmeta encoding=\"UTF-8\"/script src=https://mparticle.uc.cn/"https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@3.0.0/dist/tf.min.js\"/script/headbodydiv id=\"tf-display\"/divscriptlet a = tf.tensor1d([1.0
); let d1 = document.getElementById(\"tf-display\"); d1.innerText = a;/script/body/html 层次三：机器学习框架第三是机器学习的框架。光了解深度学习还不够，传统的机器学习在更贴近业务的时候，可能效果更好，还节省算力资源。比如可以使用mljs库，地址在：https://github.com/mljs/ml
比如我们想做个k-means聚类，可以使用mljs框架的ml-kmeans库：
const kmeans = require('ml-kmeans');let data = https://mparticle.uc.cn/api/[[1 1 1
[1 2 1
[-1 -1 -1
[-1 -1 -1.5

;let centers = [[1 2 1
[-1 -1 -1

;let ans = kmeans(data 2 { initialization: centers );console.log(ans); 装个包就可以玩了：
npm i ml-kmeans 运行结果如下：
KMeansResult { clusters: [ 0 0 1 1
centroids: [ { centroid: [Array
error: 0.25 size: 2{ centroid: [Array
error: 0.0625 size: 2
converged: true iterations: 2 [Symbol(distance)
: [Function: squaredEuclidean
我们也可以直接在网页中使用，比如我们写个K近邻的例子：
!DOCTYPE htmlhtmlheadmeta encoding=\"UTF-8\" /script src=https://mparticle.uc.cn/"https://www.lactame.com/lib/ml/4.0.0/ml.min.js\"/script/headbodydiv id=\"ml-display\"/divscriptconst train_dataset = [ [0 0 0
[0 1 1
[1 1 0
[2 2 2
[1 2 2
[2 1 2

; const train_labels = [0 0 0 1 1 1
; let knn = new ML.KNN(train_dataset train_labels { k: 2 ); // consider 2 nearest neighbors const test_dataset = [ [0.9 0.9 0.9
[1.1 1.1 1.1
[1.1 1.1 1.2
[1.2 1.2 1.2

; let ans = knn.predict(test_dataset); let d1 = document.getElementById(\"ml-display\"); d1.innerText = ans;/script/body/html 最后我们再来个决策树的例子，采用mljs自带的Iris数据集。需要通过npm安装下ml-dataset-iris和ml-cart:
const irisDataset = require('ml-dataset-iris');const DecisionTreeClassifier = require('ml-cart');const trainingSet = irisDataset.getNumbers();const predictions = irisDataset .getClasses() .map((elem) =irisDataset.getDistinctClasses().indexOf(elem));const options = { gainFunction: 'gini' maxDepth: 10 minNumSamples: 3;const classifier = new DecisionTreeClassifier.DecisionTreeClassifier(options);classifier.train(trainingSet predictions);const result = classifier.predict(trainingSet);console.log(result); 输出结果如下：
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ... 50 more items
层次四：数学和统计库第四个层次是数学和统计库。做统计和数学计算，很多时候才是理解业务的最好手段。这个时候我们也不能空手上，也需要工具。
这方面的代表库有stdlib: https://stdlib.io/虽然它名字和实际都是标准库，但是为了数学和统计提供了很丰富的内容，比如150多个数学函数和35种统计分布。
我们先安装一下做后面的实验：
npm install @stdlib/stdlib 比如各种数学函数：

再比如各种随机分布：