在 PHP 中进行机器学习并不像在 Python 中那么流行，但借助 PHP-ML（PHP Machine Learning）库，仍然可以完成许多常见的机器学习任务，如分类、聚类、回归等。

🤖 一、什么是 PHP-ML？

PHP-ML 是一个基于对象的 PHP 机器学习库，提供了分类器、回归器、聚类算法、数据预处理和模型持久化等功能。

GitHub 地址：https://github.com/php-ai/php-ml

📦 二、安装 PHP-ML

使用 Composer 安装：

composer require php-ai/php-ml

🧪 三、基础分类示例：鸢尾花分类（Iris）

use Phpml\Classification\KNearestNeighbors;

// 训练数据（特征值）
$samples = [
    [5.1, 3.5, 1.4, 0.2],
    [4.9, 3.0, 1.4, 0.2],
    [6.2, 3.4, 5.4, 2.3],
    [5.9, 3.0, 5.1, 1.8]
];

// 标签（分类）
$labels = ['setosa', 'setosa', 'virginica', 'virginica'];

// 创建分类器
$classifier = new KNearestNeighbors();
$classifier->train($samples, $labels);

// 预测
$predicted = $classifier->predict([5.8, 2.7, 5.1, 1.9]);

echo "预测结果: " . $predicted; // 输出 virginica

🧠 四、支持的算法概览

分类器（Classification）

回归（Regression）

  • SVR
  • LeastSquares

聚类（Clustering）

  • KMeans

🧹 五、数据预处理模块

1. 标准化

use Phpml\Preprocessing\StandardScaler;

$scaler = new StandardScaler();
$scaler->fit($samples);
$scaler->transform($samples);

2. 特征提取（文本向量化）

use Phpml\FeatureExtraction\TokenCountVectorizer;
use Phpml\Tokenization\WhitespaceTokenizer;

$vectorizer = new TokenCountVectorizer(new WhitespaceTokenizer());

$samples = ['PHP is great', 'PHP for machine learning'];
$vectorizer->fit($samples);
$vectorizer->transform($samples); // 输出词频向量

💾 六、模型保存与加载（持久化）

use Phpml\ModelManager;

// 保存模型
$modelManager = new ModelManager();
$modelManager->saveToFile($classifier, 'model.knn');

// 加载模型
$classifier = $modelManager->restoreFromFile('model.knn');

🎯 七、适合用 PHP-ML 的场景

场景说明
简单文本分类如垃圾邮件识别、评论分类等
图像或数字分类（小规模）小规模图像特征分类
推荐系统原型基于 KNN 的用户推荐
教学或演示在 Web 环境中嵌入 ML 学习流程

🚫 不推荐使用 PHP-ML 的场景

  • 需要 GPU 加速或大规模训练
  • 深度学习（建议使用 TensorFlow / PyTorch）
  • 需要大量科学计算和矩阵操作的复杂模型

📌 总结：PHP-ML 的优劣势

优点缺点
安装简单，API直观训练速度慢，不支持复杂神经网络结构
可嵌入现有 PHP 项目算法实现相对基础，文档较少
适合中小型数据集原型不适合大数据或高性能模型训练