用「最好的语言」PHP,做一个机器学习数据集

机器之心报道

编辑：陈萍

机器学习是一门通过数据来教计算机解决问题的科学，而不是编写序列算法，让指令逐个执行。

一般来说，数据准备是机器学习的首要任务，通常包括两个子步骤：创建数据集和转换数据。

如果想构建一个类似人类的 AI 象棋游戏，首要问题就是创建一个数据库，并且该数据库需要尽可能多的包含象棋大师玩游戏的数据。通常情况下，大多数人使用 Python 构建数据集，并且在一定程度上认为 Python 是数据科学的唯一编程语言。

但是，项目作者 Jordi Bassaganas 打破流行观点（该观点认为 Python 是世界上唯一用于数据科学的编程语言），不使用 Python，而是在构建数据中使用了 MySQL、PHP 和 Rubix ML，其中 Rubix ML 是一个高级机器学习库，可构建使用 PHP 语言从数据中学习的程序。

项目地址：

项目介绍

该项目是一组命令行界面（Command-Line Interface， CLI ）工具，可帮助管理 PGN 游戏中的象棋数据库，此外，该工具还可以进行数据准备、可视化数据和使用 Rubix ML 训练监督模型。

所谓的 PGN 就是「可移植式棋局记号法」(Portable Game Notation)，是一种以 ASCII 文本文件表示国际象棋棋局数据的标准设定。PGN 设计成使人们很容易进行阅读和编写，电脑程序很容易进行解析和产生。定义和传播 PGN 的目的，是为了促进公开对局数据的共享交流，包括来自全世界的棋手 (不管有无组织)、出版人和电脑国际象棋研究的。

接下来真正的问题是：应该给计算机提供哪些示例以使机器学习变得更容易？

这个数据准备存储库主要任务是将数百万个象棋游戏加载到 SQL 数据库中。作者从 PGN Mentor 中下载了 PGN 文件，PGN Mentor 是一个用于国际象棋研究的软件应用程序，同时还提供了一个包含数百万个游戏的文件集合，并将这些文件复制到 programarivm/chess-data/data/players 文件夹中。

其实使用 PHP 为机器学习准备数据集并没有什么简单方法。但实现过程涉及到不同的技术，这是关于对处理问题的理解、收集和过滤数据的最好实践过程。

例如，当涉及国际象棋时，首先你需要过滤和验证游戏，这意味着要删除那些语法上无效或包含错误的游戏。cli/pgn-validate.php 命令查找 PGN 文件中错误，这条命令在将信息加载到数据库时会被广泛使用。

示例展示

下面展示了使用该项目设置和运行 MySQL 国际象棋数据库，第一步是创建如下所示的象棋数据库：

 $ php cli/db-create.php  

然后，按照下面的描述，games 表将被植入有效数据。

 $ time php cli/db-seed.php data/players
✗ 15 games did not pass the validation.
✓ 3234 games out of a total of 3249 are OK.
✓ 1353 games out of a total of 1353 are OK.
✓ 1900 games out of a total of 1900 are OK.
✓ 776 games out of a total of 776 are OK.
✗ 1 games did not pass the validation.
✓ 1660 games out of a total of 1661 are OK.
✗ 4 games did not pass the validation.
...
✓ 1124 games out of a total of 1124 are OK.
✓ 265 games out of a total of 265 are OK.
✗ 1 games did not pass the validation.
✓ 2099 games out of a total of 2100 are OK.  

cli/db-seed.php 命令需要大约 40 分钟才能加载大约 400,000 个游戏。

 mysql> select count(*) from games;
+----------+
| count(*) |
+----------+
| 402658 |
+----------+
1 row in set (0,23 sec)  

值得一提的是，所有这些都是用 PHP 语言实现的！

建立好国际象棋数据库后，就可以为机器学习算法准备数据。在接下来的文章中，项目作者将详细说明如何通过使用多层感知器分类器和该数据库，进行国际象棋防守、战术等的开发。

参考链接：