前言

今天來試著利用線性資料預測，大家都知道直線的方程式可以這樣寫：
y = ax + b
那我們就設定a=1 b=1 的一條方程式，然後加入一點噪訊，來讓我們預測一下成果。

資料準備

這次資料我們自己準備好帶有噪訊的資料，可直接複製貼上

使用函數

Train

$samples = [[60], [61], [62], [63], [65]];
$targets = [3.1, 3.6, 3.8, 4, 4.1]; 
$regression = new LeastSquares(); 
$regression->train($samples, $targets);

只要把資料改為我們的資料就可以作訓練了

Predict

$regression->predict([64]);

斜率與截距

$regression->getIntercept();
$regression->getCoefficients(); 

兩個函數可以印出y = ax + b 的 a、b

結語

最小二乘法預測線性非常好用，如果遇到非線性函數也是非常的好用的，但是複雜程度會直線上升，因此我們會請出前幾天學過的MLP來幫忙了。

完整範例Code

<?php
    require_once __DIR__ . '/vendor/autoload.php';

    use Phpml\Regression\LeastSquares;

    $samples = [[60], [61], [62], [63], [65]];
    $targets = [3.1, 3.6, 3.8, 4, 4.1];

    $regression = new LeastSquares();
    $regression->train($samples, $targets);

    //Predict
    echo $regression->predict([64]).”<br>";

    // 斜率與截距
    echo $regression->getIntercept().”<br>";
    print_r($regression->getCoefficients());
?>