ML.NET怎么用

這篇文章將為大家詳細講解有關ML.NET怎么用，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

ML.NET一直在微軟的研究部門的工作。這些創新已經用于他們自己的產品，如Windows Defender，Microsoft Office（Powerpoint設計理念，Excel圖表推薦），Azure機器學習，PowerBI。 ML.NET旨在提供終端工作流程，以便在機器學習（預處理，特征工程，建模，評估和操作）的各個步驟中將ML用于.NET應用程序。

ML.NET 1.0提供以下關鍵組件：數據表示機器學習任務（分類，回歸，異常檢測等）數據特征工程

機器學習模型應該讓分析師的生活更輕松，現在甚至可以構建這些模型，因為新框架的設計考慮了AutoML。除了通常的機器學習任務外，ML.NET還支持AutoML。

對于機器學習初學者，Microsoft開發人員建議從Visual Studio中的ML.NET模型構建器和任何平臺上的ML.NET CLI開始。對于可以隨時構建模型的場景，AutoML API也非常方便。

使用ML.NET模型構建器，只需右鍵單擊即可向應用程序添加機器學習。

在命令行使用ML.NET

還引入了另一個工具ML.NET CLI（命令行工具），它允許使用AutoML和ML.NET生成ML.NET模型。ML.NET CLI快速遍歷特定ML任務的數據集（目前支持回歸和分類）并生成最佳模型。

CLI除了生成最佳模型外，還允許用戶為最佳性能模型生成模型訓練和 消費模型代碼。

ML.NET CLI是跨平臺的，是.NET CLI 的全局工具。Visual Studio擴展ML.NET Model Builder 還使用ML.NET CLI提供模型構建器功能。

安裝ML.NET CLI：

dotnet tool install -g mlnet

這是使用回歸預測出租車票價的代碼

加載數據集

IDataView trainingDataView = mlContext.Data.LoadFromTextFile(TrainDataPath, hasHeader: true);

IDataView testDataView = mlContext.Data.LoadFromTextFile(TestDataPath, hasHeader: true);

運行AutoML二進制分類

ExperimentResult experimentResult = mlContext.Auto().CreateRegressionExperiment(ExperimentTime).Execute(trainingDataView, LabelColumnName, progressHandler: new RegressionExperimentProgressHandler());

模型評估

ITransformer model = experimentResult.BestRun.Model;

并使用測試數據集評估其質量（taxi-fare-test.csv）。

Regression.Evaluate() 計算已知票價與模型預測值之間的差異，以生成各種指標。

var predictions = trainedModel.Transform(testDataView); 
var metrics = mlContext.Regression.Evaluate（predictions，scoreColumnName：“Score”）;

創建預測引擎

var predEngine = mlContext.Model.CreatePredictionEngine<TaxiTrip, TaxiTripFarePrediction>(model);

計算分數

var predictedResult = predEngine.Predict(taxiTripSample);

上面是使用Visual Studio內部的模型構建器以及CLI命令測試AutoML，還有一個API可以在.Net應用程序中使用它，使用非常簡單，添加[ Microsoft.ML.AutoML ] nuget包到項目中就可以使用API 進行工作

ML.Net示例倉庫中有一整套示例。可以重用了Common文件夾中的一些類來通過API使用AutoML 。

關于“ML.NET怎么用”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。