mlhelper

基于 Node.js 的 JavaScript 机器学习算法与工具库。在实现常用机器学习算法的同时，该库还尝试提供更丰富的生态支持，例如矩阵和向量运算、文件解析、特征工程、数据可视化等。

QQ 群: 485305514

安装

$ npm install mlhelper

文档

• 算法
• 矩阵
• 向量
• 文件解析器
• 图表工具
• 特征工程

示例

算法

const AdaBoost = require('mlhelper/lib/algorithm').AdaBoost;
// 或 const AdaBoost = require('mlhelper').algorithm.AdaBoost;

const dataSet = [
    [1.0,2.1],
    [2.0,1.1],
    [1.3,1.0],
    [1.0,1.0],
    [2.0,1.0]
]
const labels = [1.0,1.0,-1.0,-1.0,1.0];
let ada = new AdaBoost(dataSet,labels,40);
let result = ada.classify([[1.0,2.1],
    [2.0,1.1],
    [1.3,1.0],
    [1.0,1.0],
    [2.0,1.0]]);
console.log(result); // [ 1, 1, -1, -1, -1 ]

工具

矩阵:

const Matrix = require('mlhelper/lib/utils').Matrix;

let m1 = new Matrix([
    [1,2,3],
    [3,4,5]
]);

let m2 = new Matrix([
    [2,2,6],
    [3,1,5]
]);

console.log(m2.sub(m1)) // 矩阵 { arr: [ [ 1, 0, 3 ], [ 0, -3, 0 ] ] }
console.log(m1.mult(m2)) // 矩阵 { arr: [ [ 2, 4, 18 ], [ 9, 4, 25 ] ] }

向量:

const Vector = require('mlhelper/lib/utils').Vector;

let v = new Vector([5,10,7,1]);
console.log(v.argSort()) // [ 3, 0, 2, 1 ]

文件解析器:

const parser = require('mlhelper/lib/utils').fileParser;

let dt = parser.read_csv(path.join(__dirname,'./train.csv'),{
    index_col: 0,
    delimiter: ',',
    header: 0,
    dataType: 'number'
});
let labels = dt.getClasses();
let dataSet =dt.drop('quality').values;

特征工程

// 特征预处理
const preprocessing = require('mlhelper/lib/utils').features.preprocessing;

// 将特征转换为标准正态分布（标准化）
let testStandardScaler = preprocessing.standardScaler(dataSet);

let testNormalize = preprocessing.normalize(dataSet);

let testBinarizer = preprocessing.binarizer(dataSet);

// ...

图表工具:

决策树:

charts.drawDT(dt.getTree(),{
    width:600,
    height:400
});

逻辑回归

charts.drawLogistic(dataSet,labels,weights);

贡献

本项目的初衷是为了学习，现在我需要更多的人参与进来，任何问题和建议都欢迎。

git 克隆

git clone https://github.com/laoqiren/mlhelper.git

安装依赖&&开发依赖

npm install

开发

npm run dev

测试

npm run test

构建

npm run build

许可证

MIT。

您可以将该项目用于任何目的，但不得用于非法活动。

mlhelper 快速上手指南

环境准备

在开始使用 mlhelper 之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows、macOS 或 Linux
• 运行环境：Node.js (建议安装 LTS 版本)
• 包管理器：npm (随 Node.js 自动安装)

提示：国内开发者若遇到 npm 下载速度慢的问题，可临时切换至淘宝镜像源：

npm config set registry https://registry.npmmirror.com

安装步骤

通过 npm 命令行工具即可快速安装：

npm install mlhelper

基本使用

mlhelper 提供了丰富的机器学习算法和工具函数。以下是两个最常用的场景示例。

1. 运行机器学习算法 (AdaBoost)

导入算法模块，准备数据集和标签，即可进行训练和预测：

const AdaBoost = require('mlhelper/lib/algorithm').AdaBoost;

const dataSet = [
    [1.0,2.1],
    [2.0,1.1],
    [1.3,1.0],
    [1.0,1.0],
    [2.0,1.0]
]
const labels = [1.0,1.0,-1.0,-1.0,1.0];

// 初始化模型，迭代次数设为 40
let ada = new AdaBoost(dataSet, labels, 40);

// 对新数据进行分类预测
let result = ada.classify([
    [1.0,2.1],
    [2.0,1.1],
    [1.3,1.0],
    [1.0,1.0],
    [2.0,1.0]
]);

console.log(result); 
// 输出示例：[ 1, 1, -1, -1, -1 ]

2. 使用基础工具 (矩阵运算)

库中内置了高效的矩阵（Matrix）和向量（Vector）操作工具：

const Matrix = require('mlhelper/lib/utils').Matrix;

// 创建两个矩阵
let m1 = new Matrix([
    [1,2,3],
    [3,4,5]
]);

let m2 = new Matrix([
    [2,2,6],
    [3,1,5]
]);

// 矩阵减法
console.log(m2.sub(m1)); 
// 输出：Matrix { arr: [ [ 1, 0, 3 ], [ 0, -3, 0 ] ] }

// 矩阵乘法
console.log(m1.mult(m2)); 
// 输出：Matrix { arr: [ [ 2, 4, 18 ], [ 9, 4, 25 ] ] }

更多功能（如文件解析、特征工程、数据可视化等）请参考官方文档目录中的详细说明。