当前位置：首页 > article >正文

Brain.js（六）：构建FNN神经网络实战教程 - 用户喜好预测

article 2025/1/13 15:34:42

在前文不同的神经网络类型和对比针对不同的神经网络类型做了对比，本章将对FNN稍作展开

测试环境：
chrome 版本 131.0.6778.86（正式版本）（64 位）

一、引言

Brain.js 是一个简单易用的 JavaScript 神经网络库，专为在浏览器和Node.js环境下实现各种机器学习任务而设计。本篇教程将重点介绍如何利用Brain.js的NeuralNetwork接口构建前馈神经网络。

通过这篇教程，您将学会如何通过简单的代码快速构建一个前馈神经网络，并了解它的使用场景。

二、必要工具

在本教程中，我们将使用Brain.js的两个类：

brain.NeuralNetwork：用于CPU上的前馈神经网络。
brain.NeuralNetworkGPU：用于利用GPU加速前馈神经网络。

为了在网页环境下进行开发，我们会通过CDN来加载Brain.js库。以下是我们将用到的主要工具：

浏览器环境（Chrome、Firefox 等）
Brain.js CDN 包

在实际应用中，我们可以利用以下脚本引入Brain.js：

<script src="https://cdn.jsdelivr.net/npm/brain.js"></script>

三、何时使用前馈神经网络（FNN）

前馈神经网络（FNN）是一种最基础的神经网络模型，用于许多常见的监督学习任务。以下是一些典型的使用场景，适合使用FNN模型：

分类任务：FNN非常适合简单的分类问题，比如垃圾邮件检测、信用评分等。FNN可以通过输入特征向量来预测类别标签。
回归任务：FNN可以用于回归任务，如预测房价、股票价格等。它在处理数值预测时表现较好，尤其是对于输入输出之间具有较明显线性关系的数据。
特征较少且有较强规律性的问题：FNN适合解决输入特征相对较少、且不同输入与输出之间有明显规律性的问题，比如二元逻辑运算、简单的用户行为预测等。
初学者学习：FNN的结构简单，易于理解，对于想学习深度学习的初学者而言是一个良好的入门选择。

FNN不适合处理较复杂的问题，如需要处理图像、语音或文本序列数据的场景。这些更复杂的任务通常需要卷积神经网络（CNN）或循环神经网络（RNN）来更好地解决。

四、基本神经网络模型构建

首先，我们来看如何使用NeuralNetwork接口构建一个简单的前馈神经网络。

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Brain.js 基础示例</title>
    <script src="https://cdn.jsdelivr.net/npm/brain.js"></script>
</head>
<body>
    <h2>FFN 基础示例 -  Brain.js</h2>
    <script>
        // 使用CPU实现一个简单的前馈神经网络
        const net = new brain.NeuralNetwork();

        // 准备训练数据：简单的XOR逻辑门数据
        const trainingData = [
            { input: [0, 0], output: [0] },
            { input: [0, 1], output: [1] },
            { input: [1, 0], output: [1] },
            { input: [1, 1], output: [0] }
        ];

        // 训练网络
        net.train(trainingData, {
            iterations: 20000,  // 训练次数
            log: true,          // 是否输出日志
            logPeriod: 1000,    // 日志输出间隔
            learningRate: 0.5   // 学习率
        });

        // 测试网络
        const output = net.run([1, 0]); // 应该接近1
        console.log('输出:', output);
    </script>
</body>
</html>

结果如图：
在这里插入图片描述

五、实战演示：用户喜好预测

为了让例子更加贴近实际场景，我们将实现一个用户喜好预测的神经网络。这可以应用于电子商务推荐系统、广告定位等场景。

在这个例子中，我们假设用户的某些行为特征（如访问频率、点击次数、购买历史）用来预测他们是否会喜欢某个推荐的商品。

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>示例  Brain.js</title>
    <script src="https://cdn.jsdelivr.net/npm/brain.js"></script>
</head>
<body>
    <h2>FNN 示例 - Brain.js</h2>
    <script>
        // 使用GPU加速的前馈神经网络
        const userPreferenceNet = new brain.NeuralNetwork();

        // 准备训练数据：模拟用户行为和是否喜欢某商品的关系
        const trainingData = [
            { input: [1, 0, 0], output: [0] }, // 用户不频繁访问、不点击、无购买，结果为不喜欢
            { input: [1, 1, 0], output: [1] }, // 用户频繁访问、点击但无购买，结果为喜欢
            { input: [0, 1, 1], output: [1] }, // 用户不频繁访问但有点击和购买，结果为喜欢
            { input: [1, 1, 1], output: [1] }, // 用户频繁访问、点击、购买，结果为喜欢
            { input: [0, 0, 1], output: [0] }  // 用户不访问不点击，但有购买，结果为不喜欢
        ];

        // 训练网络
        userPreferenceNet.train(trainingData, {
            iterations: 10000,  // 训练次数
            log: true,          // 是否输出日志
            logPeriod: 1000,    // 日志输出间隔
            learningRate: 0.3   // 学习率
        });

        // 测试网络 - 预测新用户是否会喜欢
        const userInput = [1, 1, 0]; // 用户频繁访问、点击但无购买
        const preferencePrediction = userPreferenceNet.run(userInput); // 应该接近1
        console.log('预测结果:', preferencePrediction);
    </script>
</body>
</html>