.NET开发人员关于ML.NET的入门学习

随着全球科技巨头如谷歌、Facebook相继发布他们的机器学习工具Tensorflow 2和PyTorch，微软也不甘示弱，推出了全新的ML.NET 1.0。确实，2019年无疑是机器学习社区飞速发展的时代。今天，我们将通过狼蚁网站SEO优化长沙网络推广，为大家简单介绍一下关于ML.NET的入门学习。

ML.NET一直是微软研究部门的重要成果。这些前沿技术已广泛应用于Windows Defender、Microsoft Office（如Powerpoint设计理念、Excel图表推荐）、Azure机器学习以及PowerBI等产品中。ML.NET致力于提供终端工作流程，将机器学习（包括预处理、特征工程、建模、评估和操作）的各个步骤融入.NET应用程序中，为开发者带来前所未有的便捷。

ML.NET 1.0中包含了诸多关键组件，这些组件为机器任务（如分类、回归、异常检测等）提供了数据表示和特征工程的功能。为了让分析师的工作更为轻松，ML.NET引入了AutoML功能，让构建机器学习模型变得更加简单。

对于初学者来说，微软的开发人员推荐使用Visual Studio中的ML.NET模型构建器以及任何平台上的ML.NET CLI作为入门工具。对于那些需要随时构建模型的场景，AutoML API提供了极大的便利。

使用ML.NET模型构建器，你可以轻松地将机器学习添加到应用程序中，只需简单的右键点击即可。微软还推出了一个新的命令行工具——ML.NET CLI。这个强大的工具允许你使用AutoML和ML.NET生成ML.NET模型。

ML.NET CLI能够快速地遍历特定ML任务的数据集（目前支持回归和分类），并生成最佳的模型。除了生成最佳模型外，它还允许用户为性能最佳的模型生成模型训练和调用代码。值得一提的是，ML.NET CLI是跨平台的，作为.NET CLI的全局工具存在。Visual Studio扩展ML.NET Model Builder也利用ML.NET CLI提供模型构建器功能。

如果你想安装ML.NET CLI，只需在命令行中输入以下命令：

dot tool install -g ml

接下来，我们将通过一个简单的例子来展示如何使用ML.NET进行回归预测。假设我们要预测出租车票价。我们需要加载数据集：

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

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

然后，我们可以运行AutoML进行二进制分类：

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

我们评估模型。我们利用ITransformer模型对实验结果的最佳运行进行评估，然后使用测试数据集来评估其质量（如taxi-fare-test.csv）。通过Regression.Evaluate()方法，我们可以计算实际票价与模型预测值之间的差异，以生成各种评估指标。

ML.NET为开发者提供了一个强大而便捷的工具，让机器学习不再是遥不可及的梦想。无论是初学者还是资深开发者，都可以通过ML.NET轻松构建出高效的机器学习模型，为各种应用场景带来智能的变革。利用AutoML构建预测模型并评估其性能

在数字化时代，机器学习（ML）已成为我们日常生活和工作中不可或缺的一部分。使用Visual Studio内置的模型构建器以及CLI命令，我们可以轻松地利用AutoML进行模型训练。而在.Net应用程序中，通过使用特定的API，我们可以进一步简化这一流程。

我们通过训练模型对测试数据集进行转换，生成一系列预测结果。这一步，我们调用了`trainedModel.Transform(testDataView)`，其中`testDataView`是我们的测试数据集。

紧接着，为了评估模型的性能，我们使用了`mlContext.Regression.Evaluate`方法。这个方法接收预测结果和实际标签作为输入，返回一个包含模型性能指标的评估结果对象。其中，“Score”列名用于标识模型预测的分数。

创建预测引擎是下一步的关键步骤。通过调用`mlContext.Model.CreatePredictionEngine`方法，我们创建了一个能够将新数据实例转化为预测结果的预测引擎。这个引擎是基于我们之前训练好的模型和输入数据的特点构建的。

一旦预测引擎创建完成，我们就可以用它来预测新的数据实例了。例如，我们有一个出租车行程样本`taxiTripSample`，通过调用`predEngine.Predict(taxiTripSample)`，我们可以得到这个行程的预测费用。

所有这些操作都非常简单，只需在项目中添加[ Microsoft.ML.AutoML ]的NuGet包即可使用API进行工作。并且，ML有一整套Common文件夹中的类可以重用，以通过API使用AutoML。这意味着我们可以更高效地利用已有的工具和资源，快速构建出高质量的预测模型。

利用Visual Studio的模型构建器、CLI命令以及.Net中的API，我们可以轻松地实现机器学习的应用。希望本文的内容能对大家的学习有所帮助，也希望大家能够支持我们的分享。更多精彩内容，请继续关注我们的博客或网站。

Cambrian.render('body') 的调用可能用于渲染页面的主体部分，具体细节可能依赖于具体的框架或库的实现。在这里我们不作深入。