ML.NET一直在微軟的研究部門的工作。這些創(chuàng)新已經(jīng)用于他們自己的產(chǎn)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(guān)鍵組件：數(shù)據(jù)表示機器學習任務（分類，回歸，異常檢測等）數(shù)據(jù)特征工程

機器學習模型應該讓分析師的生活更輕松，現(xiàn)在甚至可以構(gòu)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(fā)人員建議從Visual Studio中的ML.NET模型構(gòu)建器和任何平臺上的ML.NET CLI開始。對于可以隨時構(gòu)建模型的場景，AutoML API也非常方便。

使用ML.NET模型構(gòu)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(shù)據(jù)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(gòu)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(shù)據(jù)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(shù)據(jù)集評估其質(zhì)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(chuàng)建預測引擎

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

計算分數(shù)

var predictedResult = predEngine.Predict(taxiTripSample); 

上面是使用Visual Studio內(nèi)部的模型構(gòu)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 。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。