.NET Core玩轉機器學習

ML.NET 專門為.NET開發者提供了一套跨平台的開源的機器學習框架。

ML.NET支持.NET開發者不需要過度專業的機器學習開發經驗，就能輕松地訓練自己的模型，並且嵌入到自己的應用中。一切盡在.NET之中。ML.NET早期是由Microsoft Research開發，近十年來逐步集成到一個大體系中被眾多Microsoft產品使用，如大家熟知的Windows、Bing、PowerPoint、Excel之類。

ML.NET的第一個預覽版提供了分類器（如文本分類、情感分析）和回歸（如價格預測）等實用的機器學習模型。第一版發布后在既有功能之上又新增了關於訓練模型的.NET API，使用這些模型進行預測，就像框架中算法、轉換、數據結構一類核心組件一樣的開發體驗。

接下來用個示例，一起進入快速上手的實踐中來。

1. 安裝.NET SDK 

   為了創建一個.NET應用，首先下載 .NET SDK。  

2. 創建應用

   使用如下命令初始化項目，創建一個控制台應用程序，目標為myApp：

   dotnet new console -o myApp cd myApp

3. 安裝ML.NET包

   使用如下命令安裝Microsoft.ML包：

   dotnet add package Microsoft.ML

4. 下載數據集

   假設我們使用機器學習來預測鳶尾花的類型，比如有setosa、versicolor、virginica三種，基於特征有四種：花瓣長度、花瓣寬度, 萼片長度、萼片寬度。

   去UCI Machine Learning Repository: Iris Data Set下載一個現成的數據集，復制粘貼其中的數據到任何一個文本編輯器中，然后保存命名為iris-data.txt到myApp目錄中。

   粘貼完文本內容應該是如下格式，每一行表示不同鳶尾花的樣本，數值的部分從左到右依次是萼片長度、萼片寬度、花瓣長度、花瓣寬度，最后是鳶尾花的類型。

   5.1,3.5,1.4,0.2,Iris-setosa
   4.9,3.0,1.4,0.2,Iris-setosa
   4.7,3.2,1.3,0.2,Iris-setosa
   ...

   如果是使用了Visual Studio，將iris-data.txt添加至項目中，需要進行如下配置確保運行時數據集文件在輸出的目錄中。

   

5. 編寫代碼

   打開Program.cs文件，輸入以下代碼：

   using Microsoft.ML;
   using Microsoft.ML.Runtime.Api;
   using Microsoft.ML.Trainers;
   using Microsoft.ML.Transforms;
   using System;
   
   namespace myApp
   {
       class Program
       {
           // STEP 1: Define your data structures
   
           // IrisData is used to provide training data, and as 
           // input for prediction operations
           // - First 4 properties are inputs/features used to predict the label
           // - Label is what you are predicting, and is only set when training
           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 is the result returned from prediction operations
           public class IrisPrediction
           {
               [ColumnName("PredictedLabel")]
               public string PredictedLabels;
           }
   
           static void Main(string[] args)
           {
               // STEP 2: Create a pipeline and load your data
               var pipeline = new LearningPipeline();
   
               // If working in Visual Studio, make sure the 'Copy to Output Directory' 
               // property of iris-data.txt is set to 'Copy always'
               string dataPath = "iris-data.txt";
               pipeline.Add(new TextLoader<IrisData>(dataPath, separator: ","));
   
               // STEP 3: Transform your data
               // Assign numeric values to text in the "Label" column, because only
               // numbers can be processed during model training
               pipeline.Add(new Dictionarizer("Label"));
   
               // Puts all features into a vector
               pipeline.Add(new ColumnConcatenator("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth"));
   
               // STEP 4: Add learner
               // Add a learning algorithm to the pipeline. 
               // This is a classification scenario (What type of iris is this?)
               pipeline.Add(new StochasticDualCoordinateAscentClassifier());
   
               // Convert the Label back into original text (after converting to number in step 3)
               pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" });
   
               // STEP 5: Train your model based on the data set
               var model = pipeline.Train<IrisData, IrisPrediction>();
   
               // STEP 6: Use your model to make a prediction
               // You can change these numbers to test different predictions
               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}");
           }
       }
   }

6. 運行應用

   使用如下命令行運行程序：

   dotnet run

   在最后一行將輸出對花的預測結果，你可以修改傳給Predict函數各種鳶尾花的特征值看看有什么不同的結果。

   

   恭喜，你已經跨入使用ML.NET進行機器學習的門檻了！