介紹ML.NET——面向.NET開發人員的機器學習庫
目錄
介紹
大多數常見的機器學習（ML）庫都是用Python編寫的，對.NET開發人員來說並不容易。ML.NET庫是ML庫和.NET應用程式之間的橋樑。
ML.NET是一個開源庫，可以直接在.NET應用程式中使用。在本文中，我將介紹如何在Visual Studio 2017中使用ML.NET庫（我正在使用VS 2017社群版）。
背景
二元分類問題
假設我們有兩個點（在二維空間中）是紅色和藍色的組，我們將根據此點的座標（
3 -2 Red
-2 3 Red
-1 -4 Red
2 3 Red
3 4 Red
-1 9 Blue
2 14 Blue
1 17 Blue
3 12 Blue
0 8 Blue我們有十行點組。每行的兩個第一個值是每個點的座標（x和y），第三個值是該點所屬的組。
因為我們只有兩個輸出，Blue或者Red，我們的問題是二元分類問題。解決二元分類問題有很多不同的ML技術，在本文中，我將使用Logistic Regression，因為它是最簡單的ML演算法。
建立.NET應用程式並安裝ML.NET
為簡單起見，我們將建立一個Console Application C＃（.NET Framework）並命名它為MyFirstMLDOTNET。在Solution Explorer視窗中，我們還將Program.cs重新命名為MyFirstMLDOTNET.cs：
我們可以通過右鍵單擊MyFirstMLDOTNET專案並選擇Manage NuGet Packages 來安裝ML.NET ：
在NuGet視窗中，我們選擇Browse選項卡並在Search欄位中輸入' ML.NET '。最後，我們選擇Microsoft.ML並單擊
單擊“預覽更改”中的“確定”，然後在“許可證接受”中單擊“ 我接受 ”。幾秒鐘後，Visual Studio將在“輸出”視窗中響應一條訊息：
此時，如果我們嘗試執行我們的應用程式，我們可以收到如下錯誤訊息：
通過右鍵單擊MyFirstMLDOTNET專案並選擇“屬性” 來解決此錯誤。在Properties視窗中，我們選擇左側的Built選項，並在Plaform目標選項中將Any CPU更改為x64：
我們還需要選擇.NET Framework的4.7版本（或更高版本），因為我們將遇到早期版本的一些錯誤。我們可以通過選擇左側的Application項並在Target framework項中選擇版本來選擇.NET Framework的版本。如果我們沒有4.7版本（或更高版本），我們可以選擇Install other frameworks，我們將被引導到Microsoft頁面下載並安裝.NET Framework包：
到目前為止，我們可以嘗試再次執行我的應用程式，它是成功的。
使用程式碼
培訓資料
在建立ML模型之前，我們必須通過右鍵單擊MyFirstMLDOTNET專案並選擇Add> New Item 來建立訓練資料檔案，選擇Text File型別並在Name欄位中輸入myMLData.txt：
單擊“ 新增”按鈕。在myMLData.txt視窗中，我們輸入（或複製上面）訓練資料：
3 -2 Red
-2 3 Red
-1 -4 Red
2 3 Red
3 4 Red
-1 9 Blue
2 14 Blue
1 17 Blue
3 12 Blue
0 8 Blue單擊“ 儲存”並關閉myMLData.txt視窗。
資料類
建立訓練資料檔案後，我們還需要建立資料類。類（命名為myData）定義訓練資料的結構（兩個座標（x和y）和一個標籤（Red或Blue））
public class myData
{
[Column(ordinal: "0", name: "XCoord")]
public float x;
[Column(ordinal: "1", name: "YCoord")]
public float y;
[Column(ordinal: "2", name: "Label")]
public string Label;
}另一個類（命名為myPrediction）儲存預測資訊：
public class myPrediction
{
[ColumnName("PredictedLabel")]
public string PredictedLabels;
}建立和訓練ML模型
我們可以建立ML模型並訓練它：
//creating a ML model
var pipeline = new LearningPipeline();
// loading the training data
string dataPath = "..\\..\\myMLData.txt";
pipeline.Add(new TextLoader(dataPath).CreateFrom<myData>(separator: ' '));
//convert string (Red or Blue) to number (0 or 1)
pipeline.Add(new Dictionarizer("Label"));
//combining the two predictor variables (XCoord and YCoord)
//into an aggregate (Features)
pipeline.Add(new ColumnConcatenator("Features", "XCoord", "YCoord"));
//using the Logistic Regression technique for a binary classification problem
pipeline.Add(new LogisticRegressionBinaryClassifier());
pipeline.Add(new PredictedLabelColumnOriginalValueConverter()
{ PredictedLabelColumn = "PredictedLabel" });
//training the ML model
Console.WriteLine("\nStarting training \n");
var model = pipeline.Train<myData, myPrediction>();評估模型
我們可以按如下方式評估我們的ML模型：
var testData = new TextLoader(dataPath).CreateFrom<myData>(separator: ' ');
var evaluator = new BinaryClassificationEvaluator();
var metrics = evaluator.Evaluate(model, testData);
double acc = metrics.Accuracy * 100;
Console.WriteLine("Model accuracy = " + acc.ToString("F2") + "%");測試模型
最後，我們可以用一個新點測試我們的模型：
myData newPoint = new myData(){ x = 5f, y = -7f};
myPrediction prediction = model.Predict(newPoint);
string result = prediction.PredictedLabels;
Console.WriteLine("Prediction = " + result);我們所有程式碼都在MyFirstMLDOTNET.cs檔案中：
using System;
using Microsoft.ML.Runtime.Api;
using System.Threading.Tasks;
using Microsoft.ML.Legacy;
using Microsoft.ML.Legacy.Data;
using Microsoft.ML.Legacy.Transforms;
using Microsoft.ML.Legacy.Trainers;
using Microsoft.ML.Legacy.Models;
namespace MyFirstMLDOTNET
{
class MyFirstMLDOTNET
{
public class myData
{
[Column(ordinal: "0", name: "XCoord")]
public float x;
[Column(ordinal: "1", name: "YCoord")]
public float y;
[Column(ordinal: "2", name: "Label")]
public string Label;
}
public class myPrediction
{
[ColumnName("PredictedLabel")]
public string PredictedLabels;
}
static void Main(string[] args)
{
//creating a ML model
var pipeline = new LearningPipeline();
// loading the training data
string dataPath = "..\\..\\myMLData.txt";
pipeline.Add(new TextLoader(dataPath).CreateFrom<myData>(separator: ' '));
//convert string (Red or Blue) to number (0 or 1)
pipeline.Add(new Dictionarizer("Label"));
//combining the two predictor variables (XCoord and YCoord)
//into an aggregate (Features)
pipeline.Add(new ColumnConcatenator("Features", "XCoord", "YCoord"));
//using Logistic Regression technique for a binary classification problem
pipeline.Add(new LogisticRegressionBinaryClassifier());
pipeline.Add(new PredictedLabelColumnOriginalValueConverter()
{ PredictedLabelColumn = "PredictedLabel" });
//training and saving the ML model
Console.WriteLine("\nStarting training \n");
var model = pipeline.Train<myData, myPrediction>();
//Evaluating the Model
var testData = new TextLoader(dataPath).CreateFrom<myData>(separator: ' ');
var evaluator = new BinaryClassificationEvaluator();
var metrics = evaluator.Evaluate(model, testData);
double acc = metrics.Accuracy * 100;
Console.WriteLine("Model accuracy = " + acc.ToString("F2") + "%");
//Predicting a new point (5,-7)
myData newPoint = new myData()
{ x = 5f, y = -7f};
myPrediction prediction = model.Predict(newPoint);
string result = prediction.PredictedLabels;
Console.WriteLine("Prediction = " + result);
Console.WriteLine("\nEnd ML.NET demo");
Console.ReadLine();
}
}
}執行我們的應用程式並獲得如下所示的結果：
興趣點
在本文中，我只介紹了ML.NET - .NET開發人員的機器學習庫 - 基本上。ML.NET仍在開發中，您可以通過此處的教程瞭解有關此庫的更多資訊。
原文地址：https://www.codeproject.com/Articles/1268051/Introducing-the-ML-NET-A-Machine-Learning-Library