PHP ML auf einem Webhosting Account nutzen: Einfach mal ausprobieren

KI ist zur Zeit Hype. Dahinter stecken viele Methoden aus dem Bereich des Maschinellen Lernens (ML). In diesem Umfeld wird gerne Python als Programmiersprache genutzt, oft auch Java. Doch auch wer einen Webhosting-Account betreibt, PHP-Skripte erstellen und ausführen kann, kann ML einsetzen.

In diesem Blogbeitrag wollen wir für User und Userinnen, die gerne auch mal mit PHP experimentieren, eine Anregung geben, PHP ML auf einem Webhosting-Account bei zu nutzen. Wenn du uns deine Erfahrungen mitteilen könntest, wären wir dafür sehr dankbar.

Was ist PHP ML?

PHP ML ist eine PHP-Bibliothek, die es Entwicklern ermöglicht, maschinelles Lernen in ihre PHP-Anwendungen zu integrieren. Es bietet eine Reihe von Algorithmen und Funktionen für Aufgaben wie Klassifizierung, Regression, Clustering und mehr. Mit PHP ML kannst du Daten analysieren, Modelle trainieren und Vorhersagen treffen, ohne auf externe ML-Frameworks angewiesen zu sein.

PHP ML-Bibliothek installieren

Die PHP ML-Bibliothek muss „installiert“ werden. Du kannst dies auf verschiedene Arten tun, aber eine der einfachsten Möglichkeiten besteht darin, Composer zu verwenden.

Composer ist ein Paketmanager für PHP, der die Installation von Abhängigkeiten erleichtert und steht bei goneo seit einiger Zeit zur Verfügung, auch auf kleineren Hosting-Paketen.

Erstelle eine composer.json-Datei in deinem Projektverzeichnis und füge die folgende Abhängigkeit hinzu:

{
    "require": {
        "php-ai/php-ml": "^0.8.0"
    }
}

Führe dann composer install auf deinem Webhosting-Account aus, um die Bibliothek herunterzuladen und zu installieren.

Eine Beispielanwendung

Nun, da PHP ML installiert ist, kannst du mit der Erstellung einer Beispielanwendung beginnen. Betrachten wir ein einfaches Beispiel zur Klassifizierung von Iris-Blumen (dieses Beispiel haben wir mit ChatGPT4 generiert):

<?php

require 'vendor/autoload.php';

use Phpml\Classification\KNearestNeighbors;
use Phpml\Dataset\CsvDataset;
use Phpml\Metric\Accuracy;

// Datensatz laden
$dataset = new CsvDataset('iris.csv', 4, true);

// Daten aufteilen (70% Trainingsdaten, 30% Testdaten)
$randomSplit = new \Phpml\CrossValidation\RandomSplit($dataset, 0.3);

// Trainingsdaten und -labels extrahieren
$trainingSamples = $randomSplit->getTrainSamples();
$trainingLabels = $randomSplit->getTrainLabels();

// Testdaten und -labels extrahieren
$testSamples = $randomSplit->getTestSamples();
$testLabels = $randomSplit->getTestLabels();

// K-Nearest Neighbors-Algorithmus initialisieren und trainieren
$classifier = new KNearestNeighbors();
$classifier->train($trainingSamples, $trainingLabels);

// Vorhersagen für Testdaten treffen
$predictions = $classifier->predict($testSamples);

// Genauigkeit der Vorhersagen berechnen
$accuracy = Accuracy::score($testLabels, $predictions);

echo 'Genauigkeit: ' . $accuracy;

?>

In diesem Beispiel wird die Iris-Datenbank verwendet, um eine Klassifikation durchzuführen. Das ist eine kleine Datei mit einer Datensammlung Stelle sicher, dass du die iris.csv-Datei in deinem Projektverzeichnis hast (hier verfügbar: https://gist.github.com/curran/a08a1080b88344b0c8a7).

Irisblume, einschließlich ihrer Art und den Abmessungen ihrer botanischen Teile, Kelchblatt und Blütenblatt, in Zentimetern.

Fazit

Mit PHP ML kannst du maschinelles Lernen direkt in deine PHP-Anwendungen integrieren, auch wenn du nur über einen Webhosting-Account verfügst. In dieser Bibliothek sind fertige Routinen enthalten.

In diesem Blogbeitrag haben wir die grundlegenden Schritte dargestellt, um PHP ML auf einem Webhosting-Account zu nutzen, und ein einfaches Beispiel für die Klassifizierung von Iris-Blumen gezeigt.

Das Beispiel-Dataset ist klein und sollte keine Probleme mit der Skriptlaufzeit auf dem Server erzeugen. Große Datasets brauchen mehr Rechenzeit und werden die serverseitig eingestellte Skriptlaufzeit sprengen.

Am könnte dann das „Training“ lokal ausführen, etwas auf einer PC-Installation und fas fertige Modell dann auf dem Webspace einsetzen. Ein fertig trainiertes Modell für ein Ergebnis durchzurechnen braucht viel weniger Ressourcen.

Jetzt bist du bereit, mit PHP ML zu experimentieren und fortgeschrittenere ML-Anwendungen in deinen Webprojekten umzusetzen. Viel Spaß beim Codieren und denke an das Feedback hier als Kommentar.