介绍

大多数常见的机器学习（ML）库都是用Python编写的，对.NET开发人员来说并不容易。ML.NET库是ML库和.NET应用程序之间的桥梁。

ML.NET是一个开源库，可以直接在.NET应用程序中使用。在本文中，我将介绍如何在Visual Studio 2017中使用ML.NET库（我正在使用VS 2017社区版）。

背景

二元分类问题

假设我们有两个点（在二维空间中）是红色和蓝色的组，我们将根据此点的坐标（x和y）来预测一个点是属于该Red组还是属于该Blue组。我们的培训数据如下所示：

3 -2 Red-2 3 Red-1 -4 Red2 3 Red3 4 Red-1 9 Blue2 14 Blue1 17 Blue3 12 Blue0 8 Blue

我们有十行点组。每行的两个第一个值是每个点的坐标（x和y），第三个值是该点所属的组。

因为我们只有两个输出，Blue或者Red，我们的问题是二元分类问题。解决二元分类问题有很多不同的ML技术，在本文中，我将使用Logistic Regression，因为它是最简单的ML算法。

创建.NET应用程序并安装ML.NET库

为简单起见，我们将创建一个Console Application C＃（.NET Framework）并命名它为MyFirstMLDOTNET。在Solution Explorer窗口中，我们还将Program.cs重命名为MyFirstMLDOTNET.cs：

我们可以通过右键单击MyFirstMLDOTNET项目并选择Manage NuGet Packages 来安装ML.NET ：

在NuGet窗口中，我们选择Browse选项卡并在Search字段中输入' ML.NET '。最后，我们选择Microsoft.ML并单击Install按钮：

单击“预览更改”中的“确定”，然后在“许可证接受”中单击“ 我接受 ”。几秒钟后，Visual Studio将在“输出”窗口中响应一条消息：

此时，如果我们尝试运行我们的应用程序，我们可以收到如下错误消息：

通过右键单击MyFirstMLDOTNET项目并选择“属性” 来解决此错误。在Properties窗口中，我们选择左侧的Built选项，并在Plaform目标选项中将Any CPU更改为x64：

我们还需要选择.NET Framework的4.7版本（或更高版本），因为我们将遇到早期版本的一些错误。我们可以通过选择左侧的Application项并在Target framework项中选择版本来选择.NET Framework的版本。如果我们没有4.7版本（或更高版本），我们可以选择Install other frameworks，我们将被引导到Microsoft页面下载并安装.NET Framework包：

到目前为止，我们可以尝试再次运行我的应用程序，它是成功的。

使用代码

培训数据

在创建ML模型之前，我们必须通过右键单击MyFirstMLDOTNET项目并选择Add> New Item 来创建训练数据文件，选择Text File类型并在Name字段中输入myMLData.txt：

单击“ 添加”按钮。在myMLData.txt窗口中，我们输入（或复制上面）训练数据：

3 -2 Red-2 3 Red-1 -4 Red2 3 Red3 4 Red-1 9 Blue2 14 Blue1 17 Blue3 12 Blue0 8 Blue

单击“ 保存”并关闭myMLData.txt窗口。

数据类

创建训练数据文件后，我们还需要创建数据类。类（命名为myData）定义训练数据的结构（两个坐标（x和y）和一个标签（Red或Blue））

public class myData      {          [Column(ordinal: "0", name: "XCoord")]          public float x;          [Column(ordinal: "1", name: "YCoord")]          public float y;          [Column(ordinal: "2", name: "Label")]          public string Label;      }

另一个类（命名为myPrediction）保存预测信息：

public class myPrediction  {            [ColumnName("PredictedLabel")]            public string PredictedLabels;  }

创建和训练ML模型

我们可以创建ML模型并训练它：

//creating a ML modelvar pipeline = new LearningPipeline();// loading the training datastring dataPath = "..\\..\\myMLData.txt";pipeline.Add(new TextLoader(dataPath).CreateFrom
   
    (separator: ' '));//convert string (Red or Blue) to number (0 or 1)pipeline.Add(new Dictionarizer("Label"));//combining the two predictor variables (XCoord and YCoord)//into an aggregate (Features)pipeline.Add(new ColumnConcatenator("Features", "XCoord", "YCoord"));//using the Logistic Regression technique for a binary classification problempipeline.Add(new LogisticRegressionBinaryClassifier());pipeline.Add(new PredictedLabelColumnOriginalValueConverter()       { PredictedLabelColumn = "PredictedLabel" });//training the ML modelConsole.WriteLine("\nStarting training \n");var model = pipeline.Train
    
     ();

评估模型

我们可以按如下方式评估我们的ML模型：

var testData = new TextLoader(dataPath).CreateFrom
   
    (separator: ' ');var evaluator = new BinaryClassificationEvaluator();var metrics = evaluator.Evaluate(model, testData);double acc = metrics.Accuracy * 100;Console.WriteLine("Model accuracy = " + acc.ToString("F2") + "%");

测试模型

最后，我们可以用一个新点测试我们的模型：

myData newPoint = new myData(){ x = 5f, y = -7f};myPrediction prediction = model.Predict(newPoint);string result = prediction.PredictedLabels;Console.WriteLine("Prediction = " + result);

我们所有代码都在MyFirstMLDOTNET.cs文件中：

using System;using Microsoft.ML.Runtime.Api;using System.Threading.Tasks;using Microsoft.ML.Legacy;using Microsoft.ML.Legacy.Data;using Microsoft.ML.Legacy.Transforms;using Microsoft.ML.Legacy.Trainers;using Microsoft.ML.Legacy.Models;namespace MyFirstMLDOTNET{    class MyFirstMLDOTNET    {        public class myData        {            [Column(ordinal: "0", name: "XCoord")]            public float x;            [Column(ordinal: "1", name: "YCoord")]            public float y;            [Column(ordinal: "2", name: "Label")]            public string Label;        }        public class myPrediction        {            [ColumnName("PredictedLabel")]            public string PredictedLabels;        }        static void Main(string[] args)        {            //creating a ML model            var pipeline = new LearningPipeline();            // loading the training data            string dataPath = "..\\..\\myMLData.txt";            pipeline.Add(new TextLoader(dataPath).CreateFrom
   
    (separator: ' '));            //convert string (Red or Blue) to number (0 or 1)            pipeline.Add(new Dictionarizer("Label"));            //combining the two predictor variables (XCoord and YCoord)            //into an aggregate (Features)            pipeline.Add(new ColumnConcatenator("Features", "XCoord", "YCoord"));            //using Logistic Regression technique for a binary classification problem            pipeline.Add(new LogisticRegressionBinaryClassifier());            pipeline.Add(new PredictedLabelColumnOriginalValueConverter()            { PredictedLabelColumn = "PredictedLabel" });            //training and saving the ML model            Console.WriteLine("\nStarting training \n");            var model = pipeline.Train
    
     ();            //Evaluating the Model            var testData = new TextLoader(dataPath).CreateFrom
     
      (separator: ' ');            var evaluator = new BinaryClassificationEvaluator();            var metrics = evaluator.Evaluate(model, testData);            double acc = metrics.Accuracy * 100;            Console.WriteLine("Model accuracy = " + acc.ToString("F2") + "%");            //Predicting a new point (5,-7)            myData newPoint = new myData()            { x = 5f, y = -7f};            myPrediction prediction = model.Predict(newPoint);            string result = prediction.PredictedLabels;            Console.WriteLine("Prediction = " + result);            Console.WriteLine("\nEnd ML.NET demo");            Console.ReadLine();        }    }}

运行我们的应用程序并获得如下所示的结果：

兴趣点

在本文中，我只介绍了ML.NET - .NET开发人员的机器学习库 - 基本上。ML.NET仍在开发中，您可以通过教程了解有关此库的更多信息。

原文地址：

转载地址：http://uzzhj.baihongyu.com/

你可能感兴趣的文章