.NET Core玩转机器学习

ML.NET 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。
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：
   1 2	dotnet new console -o myApp cd myApp

   
    

3. 安装ML.NET包
   使用如下命令安装Microsoft.ML包：
   1	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。

   1 2 3 4

   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：
   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87

   using System; using Microsoft.ML; using Microsoft.ML.Runtime.Api; using Microsoft.ML.Trainers; using Microsoft.ML.Transforms; using Microsoft.ML.Data;   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(dataPath).CreateFrom<IrisData>(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}");             Console.ReadLine();         }     } }

6. 运行应用
   使用如下命令行运行程序：
   1	dotnet run

   
    

   在最后一行将输出对花的预测结果，你可以修改传给Predict函数各种鸢尾花的特征值看看有什么不同的结果。

   

   恭喜，你已经跨入使用ML.NET进行机器学习的门槛了！

from:http://www.cnblogs.com/BeanHsiang/p/9010267.html