Машинното обучение и JET звучат удивително, нали?
Един от начините да го постигнете е да създадете персонализиран компонент и да го използвате в JET. Персонализираният компонент ще бъде базиран на библиотеки за машинно обучение на javascript и можем да го използваме, за да създадем потребителски интерфейс. Друг начин е, ако тази информация е налична някъде, тогава можем да я консумираме директно. Точно затова създадох REST API за машинно обучение. Можете да се обърнете към по-ранната ми публикация Machine Learning REST API, за да видите останалия api код.
След като имате api, всичко, от което се нуждаете, е да го извикате в JET и да го покажете
Да видим как работи -
Създайте проект с примерен шаблон
ojet create jetml — template=navdrawer
Това ще ви даде основен код и html страница, върху която да работите
В в този пример всичко, което правя, е да променя файла dashboard.js, за да получа данни от rest api и да използвам данни за създаване на компонент на диаграма. Във файла dashboard.html scatterchart ще покаже диаграма за тестови данни, които са налични във файла
ето примерен код за него
return axios.get(`http://localhost:5000/${self .currentValue()}`, {
}).then(results =› {
var i = self.deptObservableArray().length;
i++;
newobj[“ id”] = i.toString();
newobj[“x”] = self.currentValue();
newobj[“y”] = results.data.y;
newobj[ “series”] = “Prediction”;
Ако го стартираме сега, ще изглежда така
Сега нека добавим поле за въвеждане, за да може потребителят да въвежда стойност на x
добавете поле за въвеждане и в зависимост от стойността rest api ще върне стойността на y. Тъй като добавям тази стойност към базовите данни, тя ще бъде показана в диаграмата с различна серия. Можете да опитате няколко стойности на x и да видите различни стойности на y, които следват модела
Можете да посочите моя код в github тук. Горният пример е прост с библиотека за линейна регресия, но ще излезе, за да види интеграция с JET за по-сложни методи за машинно обучение. Приятно учене!!!
