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

使用 PHP 为机器学习准备数据集。

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：https://github.com/programarivm/chess-data

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。

$timephpcli/db-seed.phpdata/players✗15gamesdidnotpassthevalidation.✓3234gamesoutofatotalof3249areOK.✓1353gamesoutofatotalof1353areOK.✓1900gamesoutofatotalof1900areOK.✓776gamesoutofatotalof776areOK.✗1gamesdidnotpassthevalidation.✓1660gamesoutofatotalof1661areOK.✗4gamesdidnotpassthevalidation....✓1124gamesoutofatotalof1124areOK.✓265gamesoutofatotalof265areOK.✗1gamesdidnotpassthevalidation.✓2099gamesoutofatotalof2100areOK.

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>selectcount(*) from games;
+----------+| count(*) |
+----------+|402658|
+----------+1rowinset (0,23sec)

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：

https://ai.plainenglish.io/preparing-a-dataset-for-machine-learning-with-php-fd68dd85187e