目录
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 Red
2 3 Red
3 4 Red
-1 9 Blue
2 14 Blue
1 17 Blue
3 12 Blue
0 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 Red
2 3 Red
3 4 Red
-1 9 Blue
2 14 Blue
1 17 Blue
3 12 Blue
0 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 model
var pipeline = new LearningPipeline();
// loading the training data
string dataPath = "..\\..\\myMLData.txt";
pipeline.Add(new TextLoader(dataPath).CreateFrom<myData>(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 problem
pipeline.Add(new LogisticRegressionBinaryClassifier());
pipeline.Add(new PredictedLabelColumnOriginalValueConverter()
{ PredictedLabelColumn = "PredictedLabel" });
//training the ML model
Console.WriteLine("\nStarting training \n");
var model = pipeline.Train<myData, myPrediction>();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<myData>(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<myData>(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<myData, myPrediction>();
//Evaluating the Model
var testData = new TextLoader(dataPath).CreateFrom<myData>(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，您可以通过此处的教程了解有关此库的更多信息。
原文地址：https://www.codeproject.com/Articles/1268051/Introducing-the-ML-NET-A-Machine-Learning-Library