0x00 前言

机器学习本身注重的是一种思想和方法，用什么语言开发完全是看应用领域了呢 。因为最近可能会有个 .NET 项目需要加入一些机器学习的功能，在网上溜达了一圈，好像没有多少文章关注到了微软前段时间发布的 ML.NET 。于是就在这里大概入门一下这个新框架吧。(PS: 真不如Python好用，(╬▔皿▔)凸)

注：下面演示的是一个简单的分类预测的例子，选自于官网的ML.NET 教程，和原文的操作过程略有差异。

0x01 10分钟快速上手(网速很重要)

1. 打开VS2017，新建项目，选择 ".NET Core"，名称 myApp (随便起一个，你开心就好)

   
   

   

   新建项目

2. 
   

   
   

   添加 ML.NET 包，我现在的版本为0.6.0 (希望不要学tensorflow，严重质疑它现在再刷版本号)

   

   添加包

   

   点击安装

   
   

   点击安装，修改和授权都要选择同意呢。

   

   同意一下啦，不然...不然就不给你看了

3. 下载数据集并复制到项目中，修改文件的属性复制到输出目录，选择永久输出。
   

   

   修改属性

   
   

4. 修改Program.cs内容

   using Microsoft.ML;using Microsoft.ML.Data;using Microsoft.ML.Legacy;using Microsoft.ML.Trainers;using Microsoft.ML.Transforms;using Microsoft.ML.Runtime.Api;using Microsoft.ML.Legacy.Data;using Microsoft.ML.Legacy.Trainers;using Microsoft.ML.Legacy.Transforms;using System;using System.Threading;namespace myApp
   {    class Program
       {
           // 步骤 1: 定义数据结构
           // IrisData 用于提供训练数据, 以及用于预测操作的输入。
           // -前4属性是用于预测标签的输入/特征
           // -标签是你所预测的, 只有在训练时才设定
           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 是预测操作返回的结果
           public class IrisPrediction
           {
               [ColumnName("PredictedLabel")]            public string PredictedLabels;
           }        static void Main(string[] args)
           {            // STEP 2: 创建类并加载数据
               var pipeline = new LearningPipeline();            // 注意文件命名
               string dataPath = "iris.data.txt";
               pipeline.Add(new TextLoader(dataPath).CreateFrom<IrisData>(separator: ','));            //步骤 3: 转换数据
               // 将数值分配给 "标签 " 列中的文本, 
               // 因为只有在模型训练过程中才能处理数字
   
               pipeline.Add(new Dictionarizer("Label"));            // 将所有特征放入向量中
               pipeline.Add(new ColumnConcatenator("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth"));            // 步骤 4: 添加学习者
               // 向类中添加学习算法。这是一个分类场景 (这是什么类型？)
               pipeline.Add(new StochasticDualCoordinateAscentClassifier());            // 将标签转换回原始文本 (在步骤3中转换为数字后)
               pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" });            // 步骤 5: 基于数据集对模型进行训练
               var model = pipeline.Train<IrisData, IrisPrediction>();            // 步骤 6: 使用您的模型进行预测
               // 您可以更改这些数字来测试不同的预测
               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}");
   
               Thread.Sleep(3000);
           }
           
       }
   }

   

   打印出超参数和结果

   1. OK，执行它吧。

作者：土豆豆一只
链接：https://www.jianshu.com/p/90609e1e2499