PHP-ML仅适合教学演示或极轻量场景，不适用于生产环境；它只实现少量基础算法，无自动特征工程、GPU加速、模型持久化，且训练数据须全量加载内存。
PHP 本身不擅长机器学习，PHP-ML 是个玩具库，生产环境别用它跑真实模型。
PHP-ML 能干什么、不能干什么
它只实现了少量基础算法（如 KNearestNeighbors、NaiveBayes、DecisionTree），没有自动特征工程、没有 GPU 加速、不支持模型持久化（save() 是假的，实际只是 serialize() 再 base64 编码）、训练数据必须全量加载进内存。它适合教学演示或极轻量的规则补全场景（比如根据前 3 个用户行为预测第 4 个），但扛不住 CSV 超过 10MB 或特征维数 > 50 的情况。
常见错误现象：Fatal error: Allowed memory size of XXX bytes exhausted —— 这不是配置问题，是设计限制。
- 训练集建议控制在 5000 行以内，数值型特征优先，类别型需手动转成整数
- 不要传
null或字符串标签给train()，会静默失败或报NaN错误 -
predict()输入必须和train()时维度、类型严格一致，多一列少一列都直接崩
怎么装 PHP-ML 并跑通一个最小例子
它依赖 ext-gmp 和 ext-bcmath，缺一个就 composer require php-ml/php-ml 失败，报错通常是 Class 'GMP' not found 或 Call to undefined function bcscale()。
立即学习“PHP免费学习笔记（深入）”；
实操步骤：
- 确认已启用扩展：
php -m | grep -E 'gmp|bcmath' - 用 Composer 安装：
composer require php-ml/php-ml:^0.9（别用 ^1.0，那是未发布的重构版，文档全断） - 写个能跑通的
KNN示例（注意：样本必须是二维数组，每行一个样本）：
use Phpml\Classification\KNearestNeighbors; <p>$samples = [[1, 3], [1, 4], [2, 3], [2, 4], [3, 3], [3, 4]]; $labels = ['a', 'a', 'a', 'b', 'b', 'b'];</p><p>$classifier = new KNearestNeighbors(3); $classifier->train($samples, $labels);</p><p>echo $classifier->predict([2, 3]); // 输出 'a'</p>
如果输出 Notice: Undefined index，大概率是 $samples 里混了关联数组（如 ['x'=>2, 'y'=>3]），PHP-ML 只认数字索引。
为什么 predict() 结果不稳定或不准
因为 PHP-ML 的 KNearestNeighbors 默认没做距离归一化，当特征量纲差异大（比如一个是年龄 0–100，一个是收入 0–1000000），小数值特征会被淹没。它也不支持自定义距离函数（如余弦相似度），euclidean 是唯一选项。
- 必须自己做标准化：用
Phpml\Preprocessing\Normalizer或手写($x - mean) / std - 别指望交叉验证：内置的
CrossValidation不返回指标，只返回预测结果，没法算准确率 - 调参基本靠猜：
KNearestNeighbors构造函数第二个参数是k，但没提供gridSearch，得自己循环试
真正要落地机器学习，Python 的 scikit-learn + Flask/FastAPI 是事实标准；如果非得 PHP 接口调用，推荐把模型训练和推理拆开——用 Python 训练好存成 ONNX 或 PMML，PHP 用 onnxruntime 扩展或 HTTP 请求调用服务。PHP-ML 唯一不可替代的用途，是帮你理解「训练/预测」这个闭环长什么样。
