如何在你的iPhone上建立第一个机器学习模型

//Get prediction on the text

let prediction = try SpamMessageClassifier().prediction(message: vec).spam_or_not

print (prediction)

if (prediction == "spam"){

spamLabel.text = "SPAM!"

}

else if(prediction == "ham"){

spamLabel.text = "NOT SPAM"

}

catch{

spamLabel.text = "No Prediction"

}

以上代码检查取户是否向框内输入了任何信息。如不雅有，调用tfidf()函数计算文本的tfidf值。然后生成一个SpamMessageClassifier 对象实例，再调用.prediction() 函数。这与sklearn中的 .predict() 函数雷同。然后基于猜测展示恰当的信息。

但为什么须要tfidf()?

记住我们基于文本的tf-idf表征来练习模型，是以我们的模型须要雷同情势的输入。一旦获得键入的文本框的信息，就调入tfidf()函数来做同样的事。来写这一步的代码吧，复制下列代码放在predictSpam()函数后：

//MARK: Functionality code  
func tfidf(sms: String) -> MLMultiArray{  
//get path for files  
let wordsFile = Bundle.main.path(forResource: "wordlist", ofType: "txt")  
let smsFile = Bundle.main.path(forResource: "SMSSpamCollection", ofType: "txt")  
do {  
//read words file  
let wordsFileText = try String(contentsOfFile: wordsFile!, encoding: String.Encoding.utf8)  
var wordsData = wordsFileText.components(separatedBy: .newlines)  
wordsData.removeLast() // Trailing newline.  
//read spam collection file  
let smsFileText = try String(contentsOfFile: smsFile!, encoding: String.Encoding.utf8)  
var smsData = smsFileText.components(separatedBy: .newlines)  
smsData.removeLast() // Trailing newline.  
let wordsInMessage = sms.split(separator: " ") 
 //create a multi-dimensional array  
let vectorized = try MLMultiArray(shape: [NSNumber(integerLiteral: wordsData.count)], dataType: MLMultiArrayDataType.double)  
for i in 0..  
let word = wordsData[i] 	
			 5/7   首页 上一页 3 4 5 6 7 下一页 尾页	
			

　　推荐阅读
　　告诉你安全领域 云计算“做得了”和“做不了”的事
            
            如今的┞封个IT时代，有一些用户对于安然问题并不是太关怀，切实其实，安排安然办法并不克不及带来营业的增长，只能是当做对于营业风险的防备，为了防止出问题才必不得已去应用。很多的企>>>详细阅读


本文标题：如何在你的iPhone上建立第一个机器学习模型
地址：http://www.17bianji.com/lsqh/37900.html
 1/2    1