ML.NET 0.10特性簡介

摘要： IDataView被單獨作為一個類庫包 IDataView元件為表格式資料提供了非常高效的處理方式，尤其是用於機器學習和高階分析應用。它被設計為可以高效地處理高維資料和大型資料集。並且也適合處理屬於更大的分散式資料集中的單個數據區塊結點。 在ML.NET 0.10中，IDataView...

IDataView被單獨作為一個類庫包

IDataView元件為表格式資料提供了非常高效的處理方式，尤其是用於機器學習和高階分析應用。它被設計為可以高效地處理高維資料和大型資料集。並且也適合處理屬於更大的分散式資料集中的單個數據區塊結點。

在ML.NET 0.10中，IDataView被拆分成單個程式集和NuGet類庫包。這對於與其它API及框架互動是極重要的一步。

在被拆分後，其它的類庫將能直接引用它，而不需要引用整個ML.NET。這樣有助於第三方類庫也能使用IDataView所提供的強大功能。

場感知分解機訓練器支援多個特徵列

在之前的ML.NET版本中，當使用場感知分解機(FFM)訓練器時，僅可以提供單個特徵列。

在新的版本里，支援在Options引數裡新增額外的特徵列。

var ffmArgs = new FieldAwareFactorizationMachineTrainer.Options();

// Create the multiple field names.
ffmArgs.FeatureColumn = nameof(MyObservationClass.MyField1); // 首個欄位
ffmArgs.ExtraFeatureColumns = new[]{ nameof(MyObservationClass.MyField2), nameof(MyObservationClass.MyField3) }; // 額外的欄位

var pipeline = mlContext.BinaryClassification.Trainers.FieldAwareFactorizationMachine(ffmArgs);

var model = pipeline.Fit(dataView);

支援返回多個預測標籤

之前的版本里，即使預測多類別分類問題，也只能返回單一的標籤。

現在，這一缺陷終於被修復了。(其實在內部邏輯裡已經對多項預測完成處理，但過去的API只返回了單一的結果)

源自社群的示例頁面

作為ML.NET Samples的一部分，現在新增了一個特殊 頁面 ——由社群提供的多個示例。

裡面有不少很好的例子：

當然，歡迎有越來越多的貢獻者加入其中，提供更多的示例。