.NET Core玩转机器学习

Posted 2021-04-20 DotNet

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了.NET Core玩转机器学习相关的知识，希望对你有一定的参考价值。

来源：Bean.Hsiang

cnblogs.com/BeanHsiang/p/9010267.html

ML.NET（https://www.microsoft.com/net/learn/apps/machine-learning-and-ai/ml-dotnet）专门为.NET开发者提供了一套跨平台的开源的机器学习框架。

ML.NET支持.NET开发者不需要过度专业的机器学习开发经验，就能轻松地训练自己的模型，并且嵌入到自己的应用中。一切尽在.NET之中。

ML.NET早期是由Microsoft Research开发，近十年来逐步集成到一个大体系中被众多Microsoft产品使用，如大家熟知的Windows、Bing、PowerPoint、Excel之类。

ML.NET的第一个预览版提供了分类器（如文本分类、情感分析）和回归（如价格预测）等实用的机器学习模型。第一版发布后在既有功能之上又新增了关于训练模型的.NET API，使用这些模型进行预测，就像框架中算法、转换、数据结构一类核心组件一样的开发体验。

接下来用个示例，一起进入快速上手的实践中来。

1、安装.NET SDK

为了创建一个.NET应用，首先下载 .NET SDK

（https://download.microsoft.com/download/2/E/C/2EC018A0-A0FC-40A2-849D-AA692F68349E/dotnet-sdk-2.1.105-win-gs-x64.exe）。

2、创建应用

使用如下命令初始化项目，创建一个控制台应用程序，目标为myApp：

dotnet new console -o myApp

cd myApp

3、安装ML.NET包

使用如下命令安装Microsoft.ML包：

dotnet add package Microsoft.ML

4、下载数据集

假设我们使用机器学习来预测鸢尾花的类型，比如有setosa、versicolor、virginica三种，基于特征有四种：花瓣长度、花瓣宽度, 萼片长度、萼片宽度。

去UCI Machine Learning Repository: Iris Data Set下载一个现成的数据集，复制粘贴其中的数据到任何一个文本编辑器中，然后保存命名为iris-data.txt到myApp目录中。

粘贴完文本内容应该是如下格式，每一行表示不同鸢尾花的样本，数值的部分从左到右依次是萼片长度、萼片宽度、花瓣长度、花瓣宽度，最后是鸢尾花的类型。

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，将iris-data.txt添加至项目中，需要进行如下配置确保运行时数据集文件在输出的目录中。

5、编写代码

打开Program.cs文件，输入以下代码：

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}");

}

}

}