ML.net 3-情绪预测

1. 加载测试数据（csv）

2.加载模型

3.训练数据

4.预测一句话的情绪

实现：

using System;
using System.Collections.Generic;
using System.IO;
using System.Text;
using System.Threading.Tasks;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Models;
using Microsoft.ML.Runtime.Api;
using Microsoft.ML.Trainers;
using Microsoft.ML.Transforms;

namespace _02_SentimentAnalysis
{
    public static class SentimentAnalysisExecutor
    {
        static readonly string _dataPath = Path.Combine(Environment.CurrentDirectory, "wikipedia-detox-250-line-data.tsv");
        static readonly string _testDataPath = Path.Combine(Environment.CurrentDirectory, "wikipedia-detox-250-line-test.tsv");
        static readonly string _modelpath = Path.Combine(Environment.CurrentDirectory, "Model.zip");

        public class SentimentData
        {
            [Column(ordinal: "0", name: "Label")]
            public float Sentiment;
            [Column(ordinal: "1")]
            public string SentimentText;
        }

        public class SentimentPrediction
        {
            [ColumnName("PredictedLabel")]
            public bool Sentiment;


            public override string ToString()
            {
                return Sentiment ? "Positive" : "Negtive";
            }
        }

        public static async Task<IEnumerable<SentimentPrediction>> Run(IEnumerable<SentimentData> inputs)
        {
            var model = await Train();
            Evoluate(model);

            var results = model.Predict(inputs);
            return results;
        }

        private static void Evoluate(PredictionModel<SentimentData, SentimentPrediction> model)
        {
            var testData = new TextLoader(_testDataPath).CreateFrom<SentimentData>();
            var evaluator = new BinaryClassificationEvaluator();
            BinaryClassificationMetrics metrics = evaluator.Evaluate(model, testData);


            Console.WriteLine();
            Console.WriteLine("PredictionModel quality metrics evaluation");
            Console.WriteLine("------------------------------------------");
            Console.WriteLine($"Accuracy: {metrics.Accuracy:P2}");
            Console.WriteLine($"Auc: {metrics.Auc:P2}");
            Console.WriteLine($"F1Score: {metrics.F1Score:P2}");
        }

        private static async Task<PredictionModel<SentimentData, SentimentPrediction>> Train()
        {
            var pipeline = new LearningPipeline();
            pipeline.Add(new TextLoader(_dataPath).CreateFrom<SentimentData>());
            pipeline.Add(new TextFeaturizer("Features", "SentimentText"));
            pipeline.Add(new FastTreeBinaryClassifier() { NumLeaves = 5, NumTrees = 5, MinDocumentsInLeafs = 2 });
            PredictionModel<SentimentData, SentimentPrediction> model =
                pipeline.Train<SentimentData, SentimentPrediction>();
            await model.WriteAsync(_modelpath);

            return model;
        }


    }
}

2. 调用：

using System;

namespace _02_SentimentAnalysis
{
    class Program
    {
        static void Main(string[] args)
        {
            var ret = SentimentAnalysisExecutor.Run(new[]
            {
                new SentimentAnalysisExecutor.SentimentData
                {
                    SentimentText = "Please refrain from adding nonsense to Wikipedia."
                },
                new SentimentAnalysisExecutor.SentimentData
                {
                    SentimentText = "He is the best, and the article should say that."
                },
                new SentimentAnalysisExecutor.SentimentData
                {
                    SentimentText = "I'm not sure If that is correct."
                },
            }).Result;

            foreach (var sentimentPrediction in ret)
            {
                Console.WriteLine(sentimentPrediction);
            }

            Console.ReadLine();

        }
    }
}

猜你喜欢