开源的，跨平台的.NET机器学习框架ML.NET
微軟在Build 2018大會上推出的一款面向.NET開發(fā)人員的開源，跨平臺機器學習框架ML.NET。 ML.NET將允許.NET開發(fā)人員開發(fā)他們自己的模型，并將自定義ML集成到他們的應用程序中，而無需事先掌握開發(fā)或調(diào)整機器學習模型的專業(yè)知識。在采用通用機器學習語言（如R和Python）開發(fā)的模型，并將它們集成到用C＃等語言編寫的企業(yè)應用程序中需要付出相當大的努力。ML.NET填平了機器學習專家和軟件開發(fā)者之間的差距，從而使得機器學習的平民化，即使沒有機器學習背景的人們能夠建立和運行模型。通過為.NET創(chuàng)建高質(zhì)量的機器學習框架，微軟已經(jīng)使得將機器學習轉(zhuǎn)化為企業(yè)（或通過Xamarin移動應用程序）變得更容易。這是一種使機器學習更加可用的形式。
使用ML.NET可以解決哪些類型的問題？
基于微軟內(nèi)部Windows，Bing和Azure等主要微軟產(chǎn)品使用多年的機器學習構(gòu)建的庫目前處于預覽階段，最新版本是0.2 。該框架目前支持的學習模型包括
K-Means聚類
邏輯回歸
支持向量機
樸素貝葉斯
隨機森林
增強樹木
其他技術(shù)，如推薦引擎和異常檢測，正在開發(fā)的路線圖上。ML.NET將最終將接口暴露給其他流行的機器學習庫，如TensorFlow，CNTK和Accord.NET。最后，還會有一些工具和語言增強功能，包括Azure和GUI / Visual Studio功能中的擴展功能。
機器學習
作者：周志華
當當 廣告 購買如何在應用程序中使用ML.NET？
ML.NET以NuGet包的形式提供，可以輕松安裝到新的或現(xiàn)有的.NET應用程序中。
該框架采用了用于其他機器學習庫（如scikit-learn和Apache Spark MLlib）的“管道(LearningPipeline)”方法。數(shù)據(jù)通過多個階段“傳送”以產(chǎn)生有用的結(jié)果（例如預測）。典型的管道可能涉及
加載數(shù)據(jù)
轉(zhuǎn)換數(shù)據(jù)
特征提取/工程
配置學習模型
培訓模型
使用訓練好的模型（例如獲得預測）
管道為使用機器學習模型提供了一個標準API。這使得在測試和實驗過程中更容易切換一個模型。它還將建模工作分解為定義明確的步驟，以便更容易理解現(xiàn)有代碼。scikit-learn庫實現(xiàn)了很多機器學習算法，我們可以多多參考scikit-learn ：http://sklearn.apachecn.org/cn/0.19.0/index.html?
ML.NET機器學習管道的核心組件：
ML數(shù)據(jù)結(jié)構(gòu)（例如IDataView，LearningPipeline）
TextLoader（將數(shù)據(jù)從分隔文本文件加載到LearningPipeline）
轉(zhuǎn)換（以獲得正確格式的數(shù)據(jù)進行訓練）：
處理/特征化文本：?TextFeaturizer
架構(gòu)modifcation： ，ColumnConcatenator，ColumnSelector和ColumnDropper
使用分類特征：CategoricalOneHotVectorizer和CategoricalHashOneHotVectorizer
處理丟失的數(shù)據(jù)：?MissingValueHandler
過濾器：RowTakeFilter，RowSkipFilter，RowRangeFilter
特性選擇：FeatureSelectorByCount和FeatureSelectorByMutualInformation
學習算法（用于訓練機器學習模型）用于各種任務：
二元分類：FastTreeBinaryClassifier，StochasticDualCoordinateAscentBinaryClassifier，AveragedPerceptronBinaryClassifier，BinaryLogisticRegressor，FastForestBinaryClassifier，LinearSvmBinaryClassifier，和GeneralizedAdditiveModelBinaryClassifier
多類分類：StochasticDualCoordinateAscentClassifier，LogisticRegressor，和NaiveBayesClassifier
回歸：FastTreeRegressor，FastTreeTweedieRegressor，StochasticDualCoordinateAscentRegressor，OrdinaryLeastSquaresRegressor，OnlineGradientDescentRegressor，PoissonRegressor，和GeneralizedAdditiveModelRegressor
評估器（檢查模型的工作情況）：
對于二元分類：?BinaryClassificationEvaluator
對于多類分類：?ClassificationEvaluator
對于回歸：?RegressionEvaluator
在構(gòu)建機器學習模型時，首先需要定義您希望通過數(shù)據(jù)實現(xiàn)的目標。之后，您可以針對您的情況選擇正確的機器學習任務。以下列表描述了您可以選擇的不同機器學習任務以及一些常見用例。
二元分類
二元分類屬于?監(jiān)督學習，用于預測數(shù)據(jù)的一個實例屬于哪些兩個類（類別）任務。分類算法的輸入是一組標記示例，其中每個標記都是0或1的整數(shù)。二進制分類算法的輸出是一個分類器，您可以使用該分類器來預測新的未標記實例的類。二元分類場景的例子包括：
將Twitter評論的情緒理解為“積極”或“消極”。
診斷患者是否患有某種疾病。
決定將電子郵件標記為“垃圾郵件”。
如果交易日是上漲日或下跌日
手寫數(shù)字識別
語音識別
圖像識別
有關(guān)更多信息，請參閱Wikipedia上的二元分類?文章。
多類分類
多元分類屬于?監(jiān)督學習，用于預測的數(shù)據(jù)的實例的類（類別）的任務。分類算法的輸入是一組標記示例。每個標簽都是0到k-1之間的整數(shù)，其中k是類的數(shù)量。分類算法的輸出是一個分類器，您可以使用它來預測新的未標記實例的類。多類分類方案的例子包括：
確定一只狗的品種為“西伯利亞雪橇犬”，“金毛獵犬”，“貴賓犬”等。
將電影評論理解為“正面”，“中性”或“負面”。
將酒店評論歸類為“位置”，“價格”，“清潔度”等。
有關(guān)更多信息，請參閱Wikipedia上的多類分類文章。
分類步驟設(shè)置：
首先定義問題
然后，您將以名為Features的數(shù)字屬性的形式表示您的數(shù)據(jù)。這對于已經(jīng)分類的訓練數(shù)據(jù)和將來需要分類的測試數(shù)據(jù)都是這樣做的
您將獲取訓練數(shù)據(jù)并將其輸入分類算法以訓練模型
將需要分類的新實例或采取測試數(shù)據(jù)并將其傳遞給分類器進行分類
聚類
聚類屬于無監(jiān)督機器學習，用于數(shù)據(jù)的一組實例為包含類似特征的簇的任務。聚類還可用于識別數(shù)據(jù)集中的關(guān)系，這些關(guān)系可能不是通過瀏覽或簡單觀察而在邏輯上得出的。聚類算法的輸入和輸出取決于所選擇的方法。您可以采用分布、質(zhì)心、連通性或基于密度的方法。ML.NET目前支持使用K-Means聚類的基于質(zhì)心的方法。聚類場景的例子包括：
根據(jù)酒店選擇的習慣和特點了解酒店客人群體。
識別客戶群和人口統(tǒng)計信息，以幫助構(gòu)建有針對性的廣告活動。
根據(jù)制造指標對庫存進行分類。
根據(jù)房屋類型，價值和地理位置確定一組房屋
地震震中確定危險區(qū)域
使用集群將電話塔放在一個新城市中，以便所有用戶都能獲得最佳單一強度
聚類設(shè)置步驟：
你會從問題陳述開始，問題陳述是需要聚集的數(shù)據(jù)集
然后，您將使用功能在該數(shù)據(jù)集中表示點。
這里沒有訓練這一步，不需要學習
您直接將數(shù)據(jù)提供給聚類算法以查找最終的聚類，而無需任何訓練步驟
回歸
回歸是?監(jiān)督的機器學習，用于從一組相關(guān)的功能預測標簽的值。標簽可以具有任何實際價值，并且不像分類任務那樣來自有限的一組值。回歸算法對標簽對其相關(guān)特征的依賴性進行建模，以確定標簽隨著特征值的變化而如何變化。回歸算法的輸入是一組具有已知值標簽的示例。回歸算法的輸出是一個函數(shù)，您可以使用該函數(shù)來預測任何新的輸入要素集的標注值。回歸情景的例子包括：
根據(jù)房屋屬性（如臥室數(shù)量，位置或大小）預測房價。
根據(jù)歷史數(shù)據(jù)和當前市場趨勢預測未來股價。
根據(jù)廣告預算預測產(chǎn)品的銷售情況。
異常檢測（即將推出）
排名（即將推出）
推薦（即將推出）
原文地址: https://www.cnblogs.com/shanyou/p/9190701.html
.NET社區(qū)新聞，深度好文，歡迎訪問公眾號文章匯總 http://www.csharpkit.com
總結(jié)
以上是生活随笔為你收集整理的开源的，跨平台的.NET机器学习框架ML.NET的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 关于Visual Studio 2019
- 下一篇： 使用 IIS 在 Windows 上托管