机器学习框架ML.NET学习笔记【2】入门之二元分类

一、准备样本

接上一篇文章提到的问题：根据一个人的身高、体重来判断一个人的身材是否很好。但我手上没有样本数据，只能伪造一批数据了，伪造的数据比较标准，用来学习还是蛮合适的。

下面是我用来伪造数据的代码：

           string filename = "./figure_full.csv";
            streamwriter sw = new streamwriter(filename, false);
            sw.writeline("height,weight,result");

            random random = new random();
            float height, weight;
            result result;

            for (int i = 0; i < 2000; i++)
            {
                height = random.next(150, 195);
                weight = random.next(70, 200);

                if (height > 170 && weight < 120)
                    result = result.good;
                else
                    result = result.bad;
               
                sw.writeline($"{height},{weight},{(int)result}");
            }


   enum result
    {
        bad=0,
        good=1
    }

制造成功后的数据如下：

 用记事本打开：

 

二、源码

数据准备好了，我们就用准备好的数据进行学习了，先贴出全部代码，然后再逐一解释：

namespace binaryclassification_figure
{
    class program
    {
        static readonly string datapath = path.combine(environment.currentdirectory, "data", "figure_full.csv");
        static readonly string modelpath = path.combine(environment.currentdirectory, "data", "fasttree_model.zip");

        static void main(string[] args)
        {
            trainandsave();
            loadandprediction();

            console.writeline("press any to exit!");
            console.readkey();
        }

        static void trainandsave()
        {
            mlcontext mlcontext = new mlcontext();           

            //准备数据
            var fulldata = mlcontext.data.loadfromtextfile<figuredata>(path: datapath, hasheader: true, separatorchar: ',');           
            var traintestdata = mlcontext.data.traintestsplit(fulldata,testfraction:0.2);
            var traindata = traintestdata.trainset;
            var testdata = traintestdata.testset;

            //训练 
            iestimator<itransformer> dataprocesspipeline = mlcontext.transforms.concatenate("features", new[] { "height", "weight" })
                .append(mlcontext.transforms.normalizemeanvariance(inputcolumnname: "features", outputcolumnname: "featuresnormalizedbymeanvar"));
            iestimator<itransformer> trainer = mlcontext.binaryclassification.trainers.fasttree(labelcolumnname: "result", featurecolumnname: "featuresnormalizedbymeanvar");
            iestimator<itransformer> trainingpipeline = dataprocesspipeline.append(trainer); 
            itransformer model = trainingpipeline.fit(traindata);

            //评估
            var predictions = model.transform(testdata);
            var metrics = mlcontext.binaryclassification.evaluate(data: predictions, labelcolumnname: "result", scorecolumnname: "score");
            printbinaryclassificationmetrics(trainer.tostring(), metrics);

            //保存模型
            mlcontext.model.save(model, traindata.schema, modelpath);
            console.writeline($"model file saved to :{modelpath}");
        }      

        static void loadandprediction()
        {
            var mlcontext = new mlcontext();
            itransformer model = mlcontext.model.load(modelpath, out var inputschema);
            var predictionengine = mlcontext.model.createpredictionengine<figuredata, figuredatepredicted>(model);

            figuredata test = new figuredata();
            test.weight = 115;
            test.height = 171;

            var prediction = predictionengine.predict(test);
            console.writeline($"predict result :{prediction.predictedlabel}");
        }      
    }

    public class figuredata
    {
        [loadcolumn(0)]
        public float height { get; set; }

        [loadcolumn(1)]
        public float weight { get; set; }

        [loadcolumn(2)]
        public bool result { get; set; }       
    }

    public class figuredatepredicted : figuredata
    {
        public bool predictedlabel;
    }
}

 

三、对代码的解释

1、读取样本数据

        string datapath = path.combine(environment.currentdirectory, "data", "figure_full.csv");
        mlcontext mlcontext = new mlcontext();          

            //准备数据
            var fulldata = mlcontext.data.loadfromtextfile<figuredata>(path: datapath, hasheader: true, separatorchar: ',');           
            var traintestdata = mlcontext.data.traintestsplit(fulldata,testfraction:0.2);
            var traindata = traintestdata.trainset;
            var testdata = traintestdata.testset;    

 loadfromtextfile<figuredata>(path: datapath, hasheader: true, separatorchar: ',')用来读取数据到dataview

figuredata类是和样本数据对应的实体类，loadcolumn特性指示该属性对应该条数据中的第几个数据。

    public class figuredata
    {
        [loadcolumn(0)]
        public float height { get; set; }

        [loadcolumn(1)]
        public float weight { get; set; }

        [loadcolumn(2)]
        public bool result { get; set; }       
    }

 path:文件路径

hasheader:文本文件是否包含标题

separatorchar:用来分割数据的字符，我们用的是逗号，常用的还有跳格符‘\t’

traintestsplit(fulldata,testfraction:0.2)用来随机分割数据，分成学习数据和评估用的数据，通常情况，如果数据较多，测试数据取20%左右比较合适，如果数据量较少，测试数据取10%左右比较合适。

如果不通过分割，准备两个数据文件,一个用来训练、一个用来评估，效果是一样的。

 

2、训练 

            //训练 
            iestimator<itransformer> dataprocesspipeline = mlcontext.transforms.concatenate("features", new[] { "height", "weight" })
                .append(mlcontext.transforms.normalizemeanvariance(inputcolumnname: "features", outputcolumnname: "featuresnormalizedbymeanvar"));
            iestimator<itransformer> trainer = mlcontext.binaryclassification.trainers.fasttree(labelcolumnname: "result", featurecolumnname: "featuresnormalizedbymeanvar");
            iestimator<itransformer> trainingpipeline = dataprocesspipeline.append(trainer); 
            itransformer model = trainingpipeline.fit(traindata);

  idataview这个数据集就类似一个表格，它的列（column）是可以动态增加的，一开始我们通过loadfromtextfile获得的数据集包括：height、weight、result这几个列，在进行训练之前，我们还要对这个数据集进行处理，形成符合我们要求的数据集。

concatenate这个方法是把多个列，组合成一个列，因为二元分类的机器学习算法只接收一个特征列，所以要把多个特征列（height、weight）组合成一个特征列features（组合的结果应该是个float数组）。

normalizemeanvariance是对列进行归一化处理，这里输入列为：features，输出列为：featuresnormalizedbymeanvar，归一化的含义见本文最后一节介绍。

数据集就绪以后，就要选择学习算法，针对二元分类，我们选择了快速决策树算法fasttree，我们需要告诉这个算法特征值放在哪个列里面（featuresnormalizedbymeanvar），标签值放在哪个列里面（result）。

链接数据处理管道和算法形成学习管道，将数据集中的数据逐一通过学习管道进行学习，形成机器学习模型。

有了这个模型我们就可以通过它进行实际应用了。但我们一般不会现在就使用这个模型，我们需要先评估一下这个模型，然后把模型保存下来。以后应用时再通过文件读取出模型，然后进行应用，这样就不用等待学习的时间了，通常学习的时间都比较长。

 

3、评估 

            //评估
            var predictions = model.transform(testdata);
            var metrics = mlcontext.binaryclassification.evaluate(data: predictions, labelcolumnname: "result");
            printbinaryclassificationmetrics(trainer.tostring(), metrics);

  评估的过程就是对测试数据集进行批量转换（transform），转换过的数据集会多出一个“predictedlabel”的列，这个就是模型评估的结果，逐条将这个结果和实际结果（result）进行比较，就最终形成了效果评估数据。

我们可以打印这个评估结果，查看其成功率，一般成功率大于97%就是比较好的模型了。由于我们伪造的数据比较整齐，所以我们这次评估的成功率为100%。

注意：评估过程不会提升现有的模型能力，只是对现有模型的一种检测。

 

4、保存模型 

//保存模型
           string modelpath = path.combine(environment.currentdirectory, "data", "fasttree_model.zip");
            mlcontext.model.save(model, traindata.schema, modelpath);
            console.writeline($"model file saved to :{modelpath}");

 这个没啥好解释的。

 

5、读取模型并创建预测引擎 

           //读取模型
            var mlcontext = new mlcontext();
            itransformer model = mlcontext.model.load(modelpath, out var inputschema);

            //创建预测引擎
            var predictionengine = mlcontext.model.createpredictionengine<figuredata, figuredatepredicted>(model);

 创建预测引擎的功能和transform是类似的，不过transform是处理批量记录，这里只处理一条数据，而且这里的输入输出是实体对象，定义如下:

   public class figuredata
    {
        [loadcolumn(0)]
        public float height { get; set; }

        [loadcolumn(1)]
        public float weight { get; set; }

        [loadcolumn(2)]
        public bool result { get; set; }       
    }

    public class figuredatepredicted : figuredata
    {
        public bool predictedlabel;
    }

 由于预测结果里放在“predictedlabel”字段中，所以figuredatepredicted类必须要包含predictedlabel属性，目前figuredatepredicted 类是从figuredata类继承的，由于我们只用到predictedlabel属性，所以不继承也没有关系，如果继承的话，后面要调试的话会方便一点。

 

6、应用 

            figuredata test = new figuredata
            {
                weight = 115,
                height = 171
            };

            var prediction = predictionengine.predict(test);
            console.writeline($"predict result :{prediction.predictedlabel}");

 这部分代码就比较简单，test是我们要预测的对象，预测后打印出预测结果。

 

四、附：数据归一化

 机器学习的算法中一般会有很多的乘法运算，当运算的数字过大时，很容易在多次运算后溢出，为了防止这种情况，就要对数据进行归一化处理。归一化的目标就是把参与运算的特征数变为（0，1）或（-1，1）之间的浮点数，常见的处理方式有：min-max标准化、log函数转换、对数函数转换等。

我们这次采用的是平均方差归一化方法。

 

五、资源

源码下载地址：https://github.com/seabluescn/study_ml.net

工程名称：binaryclassification_figure