ML.NET?專門為.NET開發者提供了一套跨平臺的開源的機器學習框架。

ML.NET支持.NET開發者不需要過度專業的機器學習開發經驗，就能輕松地訓練自己的模型，并且嵌入到自己的應用中。一切盡在.NET之中。ML.NET早期是由Microsoft Research開發，近十年來逐步集成到一個大體系中被眾多Microsoft產品使用，如大家熟知的Windows、Bing、PowerPoint、Excel之類。

ML.NET的第一個預覽版提供了分類器（如文本分類、情感分析）和回歸（如價格預測）等實用的機器學習模型。第一版發布后在既有功能之上又新增了關于訓練模型的.NET API，使用這些模型進行預測，就像框架中算法、轉換、數據結構一類核心組件一樣的開發體驗。

接下來用個示例，一起進入快速上手的實踐中來。

安裝.NET SDK?

為了創建一個.NET應用，首先下載 .NET SDK。??

創建應用

使用如下命令初始化項目，創建一個控制臺應用程序，目標為myApp：

dotnet new console -o myAppcd myApp

安裝ML.NET包

使用如下命令安裝Microsoft.ML包：

dotnet add package Microsoft.ML

下載數據集

假設我們使用機器學習來預測鳶尾花的類型，比如有setosa、versicolor、virginica三種，基于特征有四種：花瓣長度、花瓣寬度, 萼片長度、萼片寬度。

去UCI Machine Learning Repository: Iris Data Set下載一個現成的數據集，復制粘貼其中的數據到任何一個文本編輯器中，然后保存命名為iris-data.txt到myApp目錄中。

粘貼完文本內容應該是如下格式，每一行表示不同鳶尾花的樣本，數值的部分從左到右依次是萼片長度、萼片寬度、花瓣長度、花瓣寬度，最后是鳶尾花的類型。

5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa ...

如果是使用了Visual Studio，將iris-data.txt添加至項目中，需要進行如下配置確保運行時數據集文件在輸出的目錄中。

編寫代碼

打開Program.cs文件，輸入以下代碼：

using Microsoft.ML;

using Microsoft.ML.Runtime.Api;

using Microsoft.ML.Trainers;

using Microsoft.ML.Transforms;

using System;

namespace myApp

{

? ? class Program

? ? {

? ? ? ? // STEP 1: Define your data structures

? ? ? ? // IrisData is used to provide training data, and as?

? ? ? ? // input for prediction operations

? ? ? ? // - First 4 properties are inputs/features used to predict the label

? ? ? ? // - Label is what you are predicting, and is only set when training

? ? ? ? public class IrisData

? ? ? ? {

? ? ? ? ? ? [Column("0")]

? ? ? ? ? ? public float SepalLength;

? ? ? ? ? ? [Column("1")]

? ? ? ? ? ? public float SepalWidth;

? ? ? ? ? ? [Column("2")]

? ? ? ? ? ? public float PetalLength;

? ? ? ? ? ? [Column("3")]

? ? ? ? ? ? public float PetalWidth;

? ? ? ? ? ? [Column("4")]

? ? ? ? ? ? [ColumnName("Label")]

? ? ? ? ? ? public string Label;

? ? ? ? }

? ? ? ? // IrisPrediction is the result returned from prediction operations

? ? ? ? public class IrisPrediction

? ? ? ? {

? ? ? ? ? ? [ColumnName("PredictedLabel")]

? ? ? ? ? ? public string PredictedLabels;

? ? ? ? }

? ? ? ? static void Main(string[] args)

? ? ? ? {

? ? ? ? ? ? // STEP 2: Create a pipeline and load your data

? ? ? ? ? ? var pipeline = new LearningPipeline();

? ? ? ? ? ? // If working in Visual Studio, make sure the 'Copy to Output Directory'?

? ? ? ? ? ? // property of iris-data.txt is set to 'Copy always'

? ? ? ? ? ? string dataPath = "iris-data.txt";

? ? ? ? ? ? pipeline.Add(new TextLoader<IrisData>(dataPath, separator: ","));

? ? ? ? ? ? // STEP 3: Transform your data

? ? ? ? ? ? // Assign numeric values to text in the "Label" column, because only

? ? ? ? ? ? // numbers can be processed during model training

? ? ? ? ? ? pipeline.Add(new Dictionarizer("Label"));

? ? ? ? ? ? // Puts all features into a vector

? ? ? ? ? ? pipeline.Add(new ColumnConcatenator("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth"));

? ? ? ? ? ? // STEP 4: Add learner

? ? ? ? ? ? // Add a learning algorithm to the pipeline.?

? ? ? ? ? ? // This is a classification scenario (What type of iris is this?)

? ? ? ? ? ? pipeline.Add(new StochasticDualCoordinateAscentClassifier());

? ? ? ? ? ? // Convert the Label back into original text (after converting to number in step 3)

? ? ? ? ? ? pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" });

? ? ? ? ? ? // STEP 5: Train your model based on the data set

? ? ? ? ? ? var model = pipeline.Train<IrisData, IrisPrediction>();

? ? ? ? ? ? // STEP 6: Use your model to make a prediction

? ? ? ? ? ? // You can change these numbers to test different predictions

? ? ? ? ? ? var prediction = model.Predict(new IrisData()

? ? ? ? ? ? {

? ? ? ? ? ? ? ? SepalLength = 3.3f,

? ? ? ? ? ? ? ? SepalWidth = 1.6f,

? ? ? ? ? ? ? ? PetalLength = 0.2f,

? ? ? ? ? ? ? ? PetalWidth = 5.1f,

? ? ? ? ? ? });

? ? ? ? ? ? Console.WriteLine($"Predicted flower type is: {prediction.PredictedLabels}");

? ? ? ? }

? ? }

}

運行應用

使用如下命令行運行程序：

dotnet run

在最后一行將輸出對花的預測結果，你可以修改傳給Predict函數各種鳶尾花的特征值看看有什么不同的結果。

恭喜，你已經跨入使用ML.NET進行機器學習的門檻了！

原文地址: https://www.cnblogs.com/Wddpct/p/9002242.html

---

.NET社區新聞，深度好文，歡迎訪問公眾號文章匯總 http://www.csharpkit.com

總結

以上是生活随笔為你收集整理的.NET Core玩转机器学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。