.NET开发人员关于ML.NET的入门学习

ml.net一直在微软的研究部门的工作。这些创新已经用于他们自己的产品，如windows defender，microsoft office（powerpoint设计理念，excel图表推荐），azure机器学习，powerbi。 ml.net旨在提供终端工作流程，以便在机器学习（预处理，特征工程，建模，评估和操作）的各个步骤中将ml用于.net应用程序。

ml.net 1.0提供以下关键组件：数据表示机器学习任务（分类，回归，异常检测等）数据特征工程

机器学习模型应该让分析师的生活更轻松，现在甚至可以构建这些模型，因为新框架的设计考虑了automl。除了通常的机器学习任务外，ml.net还支持automl。

对于机器学习初学者，microsoft开发人员建议从visual studio中的ml.net模型构建器和任何平台上的ml.net cli开始。对于可以随时构建模型的场景，automl api也非常方便。

使用ml.net模型构建器，只需右键单击即可向应用程序添加机器学习。

在命令行使用ml.net

还引入了另一个工具ml.net cli（命令行工具），它允许使用automl和ml.net生成ml.net模型。ml.net cli快速遍历特定ml任务的数据集（目前支持回归和分类）并生成最佳模型。

cli除了生成最佳模型外，还允许用户为最佳性能模型生成模型训练和 消费模型代码。

ml.net cli是跨平台的，是.net cli 的全局工具。visual studio扩展ml.net model builder 还使用ml.net cli提供模型构建器功能。

安装ml.net cli：

dotnet tool install -g mlnet 

这是使用回归预测出租车票价的代码

加载数据集

idataview trainingdataview = mlcontext.data.loadfromtextfile(traindatapath, hasheader: true); 

idataview testdataview = mlcontext.data.loadfromtextfile(testdatapath, hasheader: true); 

运行automl二进制分类

experimentresult experimentresult = mlcontext.auto().createregressionexperiment(experimenttime).execute(trainingdataview, labelcolumnname, progresshandler: new regressionexperimentprogresshandler());

模型评估

itransformer model = experimentresult.bestrun.model; 

并使用测试数据集评估其质量（taxi-fare-test.csv）。

regression.evaluate() 计算已知票价与模型预测值之间的差异，以生成各种指标。

var predictions = trainedmodel.transform(testdataview); 
var metrics = mlcontext.regression.evaluate（predictions，scorecolumnname：“score”）;

创建预测引擎

var predengine = mlcontext.model.createpredictionengine<taxitrip, taxitripfareprediction>(model);

计算分数

var predictedresult = predengine.predict(taxitripsample); 

上面是使用visual studio内部的模型构建器以及cli命令测试automl，还有一个api可以在.net应用程序中使用它，使用非常简单，添加[ microsoft.ml.automl ] nuget包到项目中就可以使用api 进行工作

ml.net示例仓库中有一整套。可以重用了common文件夹中的一些类来通过api使用automl 。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。