for (int i = 0i <FileState[curID].size()i++)
{
if (strcmp(FileState[curID][i].filename, cmd_in.cmd_num[1].c_str()) == 0)
{
index = i
break
}
线性回归，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。
如何使用JavaScript构建机器学习模型
目前，机器学习领域建模的主要语言是 Python 和 R，前不久腾讯推出的机器学习框架 Angel 则支持 Java 和 Scala。本文作者 Abhishek Soni 则用行动告诉我们，开发机器学习模型，JavaScript 也可以。
JavaScript？我不是应该使用 Python 吗？甚至 Scikit-learn 在 JavaScript 上都不工作。
这是可能的，实际上，连我自己都惊讶于开发者对此忽视的态度。就 Scikit-learn 而言，Javascript 的开发者事实上已经推出了适用的库，它会在本文中有所提及。那么，让我们看看 Javascript 在机器学习上能够做什么吧。
根据人工智能先驱 Arthur Samuel 的说法，机器学习为计算机提供了无需明确编程的学习能力。换句话说，它使得计算机能够自我学习并执行正确的指令，无需人类提供全部指导。
谷歌已经把自己移动优先的策略转换到人工智能优先很久了。
为什么 JavaScript 在机器学习界未被提及过？
慢（真的假的？）
矩阵操作很困难（这里有库，比如 math.js）
仅用于 Web 开发（然而这里还有 Node.js）
机器学习库通常是在 Python 上的（还好，JS 的开发者人数也不少）
在 JavaScript 中有一些可供使用的预制库，其中包含一些机器学习算法，如线性回归、SVM、朴素贝叶斯等等，以下是其中的一部分。
brain.js（神经网络）
Synaptic（神经网络）
Natural（自然语言处理）
ConvNetJS（卷积神经网络）
mljs（一组具有多种功能的子库）
首先，我们将使用 mljs 回归库来进行一些线性回归操作。
参考代码：https://github.com/abhisheksoni27/machine-learning-with-js
1. 安装库
$ npm install ml-regression csvtojson$ yarn add ml-regression csvtojson
ml-regression 正如其名，负责机器学习的线性回归。
csvtojson 是一个用于 node.js 的快速 CSV 解析器，它允许加载 CSV 数据文件并将其转换为 JSON。
2. 初始化并加载数据
下载数据文件（.csv），并将其加入你的项目。
链接：http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv
如果你已经初始化了一个空的 npm 项目，打开 index.js，输入以下代码。
const ml = require('ml-regression')const csv = require('csvtojson')
const SLR = ml.SLR// Simple Linear Regression
const csvFilePath = 'advertising.csv'// Data
let csvData = [], // parsed Data
X = [], // Input
y = []// Output
let regressionModel
我把文件放在了项目的根目录下，如果你想放在其他地方，请记得更新 csvFilePath。
现在我们使用 csvtojson 的 fromFile 方法加载数据文件：
csv().fromFile(csvFilePath)
.on('json', (jsonObj) =>{
csvData.push(jsonObj)
})
.on('done', () =>{
dressData()// To get data points from JSON Objects
performRegression()
})
3. 打包数据，准备执行
JSON 对象被存储在 csvData 中，我们还需要输入数据点数组和输出数据点。我们通过一个填充 X 和 Y 变量的 dressData 函数来运行数据。
function dressData() {/**
* One row of the data object looks like:
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* Hence, while adding the data points,
* we need to parse the String value as a Float.
*/
csvData.forEach((row) =>{
X.push(f(row.Radio))
y.push(f(row.Sales))
})
}
function f(s) {
return parseFloat(s)
}
4. 训练模型开始预测
数据已经打包完毕，是时候训练我们的模型了。
为此，我们需要写一个 performRegression 函数：
function performRegression() {regressionModel = new SLR(X, y)// Train the model on training data
console.log(regressionModel.toString(3))
predictOutput()
}
performRegression 函数有一个方法 toString，它为浮点输出获取一个名为 precision 的参数。predictOutput 函数能让你输入数值，然后将模型的输出传到控制台。它是这样的（注意，我使用的是 Node.js 的 readline 工具）：
function predictOutput() {rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) =>{
console.log(`At X = ${answer}, y = ${regressionModel.predict(parseFloat(answer))}`)
predictOutput()
})
}
以下是为了增加阅读用户的代码
const readline = require('readline')// For user prompt to allow predictionsconst rl = readline.createInterface({
input: process.stdin,
output: process.stdout
})
5. 大功告成！
遵循以上步骤，你的 index.js 应该是这样：
const ml = require('ml-regression')const csv = require('csvtojson')
const SLR = ml.SLR// Simple Linear Regression
const csvFilePath = 'advertising.csv'// Data
let csvData = [], // parsed Data
X = [], // Input
y = []// Output
let regressionModel
const readline = require('readline')// For user prompt to allow predictions
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
})
csv()
.fromFile(csvFilePath)
.on('json', (jsonObj) =>{
csvData.push(jsonObj)
})
.on('done', () =>{
dressData()// To get data points from JSON Objects
performRegression()
})
function performRegression() {
regressionModel = new SLR(X, y)// Train the model on training data
console.log(regressionModel.toString(3))
predictOutput()
}
function dressData() {
/**
* One row of the data object looks like:
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* Hence, while adding the data points,
* we need to parse the String value as a Float.
*/
csvData.forEach((row) =>{
X.push(f(row.Radio))
y.push(f(row.Sales))
})
}
function f(s) {
return parseFloat(s)
}
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) =>{
console.log(`At X = ${answer}, y = ${regressionModel.predict(parseFloat(answer))}`)
predictOutput()
})
}
到你的终端上运行 node index.js，得到的输出会是这样：
$ node index.jsf(x) = 0.202 * x + 9.31
Enter input X for prediction (Press CTRL+C to exit) : 151.5
At X = 151.5, y = 39.98974927911285
Enter input X for prediction (Press CTRL+C to exit) :
恭喜！你刚刚在 JavaScript 中训练了第一个线性回归模型。
