Tutorial de ML.NET | comience en 10 minutos

Introducción

Propósito

Instale la CLI de ML.NET y, a continuación, entrene y use su primer modelo de Machine Learning con ML.NET.

Requisitos previos

macOS 12.0 o versiones posteriores.

Tiempo para completar

10 minutos + tiempo de descarga/instalación

Escenario

Una aplicación que puede predecir si el texto de las opiniones de los clientes es negativo o positivo.

Descargar e instalar

Instalar el SDK de .NET

Para compilar aplicaciones .NET, es necesario descargar e instalar el SDK (kit de desarrollo de software) de .NET 8.

Descargar el SDK x64 de .NET 8 (Intel)
Descargar el SDK Arm64 de .NET 8 (Apple Silicon)

Si está en un equipo Mac con un chip M1 o M2 de Apple, debe instalar la versión Arm64 del SDK.

Instalación de la CLI de ML.NET

La interfaz de la línea de comandos (CLI) ML.NET proporciona herramientas para crear modelos de aprendizaje automático con ML.NET.

Nota: Actualmente, la CLI de ML.NET está en versión preliminar y solo admite la versión más reciente de LTS del SDK de .NET (.NET 8).

Para los pasos de instalación, se recomienda usar una consola de Bash. Dado que el valor predeterminado para macOS es una consola zsh, puede crear una instancia singular abriendo un nuevo terminal y ejecutando el siguiente comando.

Terminal

bash

PARA MÁQUINAS x64: Ejecute el siguiente comando:

Terminal

dotnet tool install -g mlnet-osx-x64

PARA ARQUITECTURAS CIRCUITO INTEGRADO ARM64 : Ejecute el siguiente comando en su lugar:

Terminal

dotnet tool install -g mlnet-osx-arm64

Si la herramienta se instala con éxito, deberías ver un mensaje de salida donde [arch] es la arquitectura del chip similar al siguiente:

Terminal

You can invoke the tool using the following command: mlnet
Tool 'mlnet-osx-[arch]' (version 'X.X.X') was successfully installed.

Nota: Si está usando una consola que no sea Bash (por ejemplo, zsh, que es la nueva predeterminada para macOS), entonces necesitará dar permisos de ejecuciónmlnet e incluir mlnet en la ruta del sistema. Las instrucciones sobre cómo hacer esto deberían aparecer en la terminal cuando instala mlnet (o cualquier herramienta global). En general, el siguiente comando debería trabajar en la mayoría de los sistemas: chmod +x [PATH-TO-MLNET-CLI-EXECUTABLE]

Si visualiza instrucciones similares a las siguientes, ejecútelas en su terminal.

Terminal

cat << \EOF >> ~/.zprofile
#Add .NET Core SDK tools
export  PATH="$PATH:~/.dotnet/tools"
EOF

Como alternativa, puede intentar usar el siguiente comando para ejecutar la herramienta mlnet:

Terminal

~/.dotnet/tools/mlnet

Si el comando sigue dando un error, utilice el botón Me encontré con un problema que aparece a continuación para informar del problema y obtener ayuda para solucionarlo.

Crear la aplicación

En el terminal, ejecute los siguientes comandos:

Terminal

mkdir myMLApp
cd myMLApp

El comando mkdir crea un nuevo directorio llamado myMLApp, y el comando cd myMLApp le permite un directorio de aplicaciones recién creado.

El código de entrenamiento del modelo se generará en los próximos pasos.

Seleccionar un escenario

Para generar el modelo, debe seleccionar el escenario de aprendizaje automático.

Hay varios escenarios de ML compatibles con la CLI de ML.NET:

Clasificación: úsela para predecir a qué categoría pertenecen los datos (por ejemplo, analizar la opinión de las opiniones de los clientes como positivas o negativas).
Clasificación de imágenes - Se usa cuando se quiere predecir a qué categoría pertenece una imagen (por ejemplo, predecir si una imagen es de un gato o de un perro).
Regresión (por ejemplo, predicción de valores): úselo cuando quiera predecir un valor numérico (por ejemplo, predecir el precio de la vivienda).
Previsión: utilícelo cuando quiera pronosticar valores futuros en una serie temporal (por ejemplo, prever las ventas trimestrales)
Recomendación: use esta opción cuando quiera recomendar elementos a los usuarios en función de las clasificaciones históricas (por ejemplo, la recomendación de productos).

En este caso, predecirá la opinión en función del contenido (texto) de las opiniones de los clientes, por lo que usará clasificación.

Descargar y agregar datos

Descargue los conjuntos de datos Sentiment Labelled Sentences del repositorio UCI Machine Learning Repository. Descomprima sentiment labelled sentences.zip y guarde el archivo yelp_labelled.txt en el directorio myMLApp.

Cada fila de yelp_labelled.txt representa una revisión diferente de un restaurante que deja un usuario en Yelp. La primera columna representa el comentario que deja el usuario y la segunda columna representa la sensación expresada por el texto (0 es negativo, 1 es positivo). Las columnas están separadas por tabulaciones y el conjunto de datos no tiene encabezado. Los datos tienen un aspecto similar al siguiente:

yelp_labelled.txt

Wow... Loved this place.	        1
Crust is not good.	        0
Not tasty and the texture was just nasty.	        0

Entrenar el modelo

Ahora, entrenará el modelo con el set de datos yelp_labelled.txt.

Model Builder evalúa muchos modelos con distintos algoritmos y configuraciones en función de la cantidad de tiempo de entrenamiento proporcionado para compilar el modelo de mejor rendimiento.

Cambiar el Tiempo de entrenamiento, que es la cantidad de tiempo que le gustaría que Model Builder explore varios modelos, a 60 segundos (puede intentar aumentar este número si no se encuentra ningún modelo después del entrenamiento). Tenga en cuenta que, para conjuntos de datos más grandes, el tiempo de entrenamiento será más largo. Model Builder ajusta automáticamente el tiempo de entrenamiento en función del tamaño del conjunto de datos.
Puede actualizar la métrica de optimización y los algoritmos usados en Opciones avanzadas de entrenamiento , pero no es necesario para este ejemplo.
Seleccione Iniciar el entrenamiento para iniciar el proceso de entrenamiento. Una vez iniciado el entrenamiento, puede ver el tiempo restante.

Resultados del entrenamiento

Una vez finalizado el entrenamiento, puede ver un resumen de los resultados del entrenamiento.

Best MacroAccuracy : muestra la precisión del mejor modelo que Model Builder encuentra. Una mayor precisión significa que el modelo predijo más correctamente en los datos de prueba.
Mejor modelo - Esto muestra qué algoritmo realizó mejor durante la exploración de Model Builder.
Tiempo de entrenamiento: esto muestra la cantidad total de tiempo dedicado a entrenar o explorar modelos.
Modelos explorados (total) : muestra el número total de modelos explorados por Model Builder en el período de tiempo especificado.
Código subyacente generado : se programan los nombres de los archivos generados para ayudar a consumir el modelo o entrenar un nuevo modelo.

Si lo desea, puede ver más información sobre la sesión de entrenamiento en la ventana Machine Learning Salida.

Una vez finalizado el entrenamiento del modelo, vaya al paso Evaluar.

En el terminal, ejecute el siguiente comando (en la carpeta myMLApp):

Terminal

mlnet classification --dataset "yelp_labelled.txt" --label-col 1 --has-header false --name SentimentModel  --train-time 60

¿Qué significan estos comandos?

El comando mlnet classification se ejecuta ML.NET con AutoML para explorar muchas iteraciones de modelos de clasificación en la cantidad determinada de tiempo de entrenamiento con distintas combinaciones de transformaciones de datos, algoritmos y opciones de algoritmo y, a continuación, elige el modelo de mayor rendimiento.

--dataset: Ha elegido yelp_labelled.txt como conjunto de datos (internamente, la CLI dividirá el conjunto de datos en conjuntos de datos de entrenamiento y de prueba).
--label-col: Debe especificar la columna objetivo que desea predecir (o la etiqueta). En este caso, quiere predecir el sentimiento de la segunda columna (las columnas con índice cero significan que es la columna "1").
--has-header: Utilice esta opción para especificar si el conjunto de datos tiene un encabezado. En este caso, el conjunto de datos no tiene encabezado por lo que es falso.
--name: Utilice esta opción para proporcionar un nombre para su modelo de aprendizaje automático y los activos relacionados. En este caso, todos los activos asociados a este modelo de aprendizaje automático tendrán SentimentModel en el nombre.
--train-time: También debe especificar la cantidad de tiempo que desea que la CLI de ML.NET explore diferentes modelos. En este caso, 60 segundos (puede intentar aumentar este número si no se encuentran modelos después del entrenamiento). Tenga en cuenta que para conjuntos de datos más grandes, debe establecer un tiempo de entrenamiento más largo.

Progreso

Mientras la CLI de ML.NET está explorando diferentes modelos, muestra los siguientes datos:

Iniciar el entrenamiento: en esta sección se muestra cada iteración del modelo, incluido el instructor (algoritmo) usado y las métricas de evaluación para esa iteración.
Tiempo restante este y la barra de progreso indicará cuánto tiempo queda en el proceso de entrenamiento en segundos.
Mejor algoritmo: muestra qué algoritmo ha funcionado mejor hasta ahora.
Mejor puntuación: esto muestra el rendimiento del mejor modelo hasta ahora. Una mayor precisión significa que el modelo ha predicho con mayor exactitud en los datos de prueba.

Si lo desea, puede ver más información sobre la sesión de entrenamiento en el archivo de registro generado por la CLI.

Evaluar su modelo

Después de que la CLI de ML.NET seleccione el mejor modelo, mostrará el Resumen de entrenamiento, que le muestra un resumen del proceso de exploración, incluido cuántos modelos se exploraron en el tiempo de entrenamiento dado.

Modelos principales

Si bien la CLI de ML.NET genera código para el modelo de mayor rendimiento, también muestra los mejores modelos (hasta 5) con la mayor precisión que encontró en el tiempo de exploración determinado. Muestra varias métricas de evaluación para esos modelos superiores, incluidos AUC, AUPRC y F1-score. Para obtener más información, consulte Métricas de ML.NET.

Generar código

La CLI de ML.NET agrega tanto el modelo de aprendizaje automático como el código para entrenar y consumir el modelo, que incluye lo siguiente:

Se crea un nuevo directorio llamado SentimentModel que contiene una aplicación de consola .NET que incluye los siguientes archivos:
- Program.cs: este archivo contiene código para ejecutar el modelo.
- SentimentModel.consumption.cs: este archivo contiene las clases de entrada y salida del modelo y un método Predict que se puede usar para el uso del modelo.
- SentimentModel.mbconfig: este archivo es un archivo JSON que mantiene un registro de las configuraciones y resultados de su entrenamiento.
- SentimentModel.training.cs: este archivo contiene la canalización de entrenamiento (transformaciones de datos, algoritmos y parámetros de algoritmo) usada para entrenar el modelo final.
- SentimentModel.zip: este archivo es el modelo de ML.NET entrenado, que es un archivo ZIP serializado.

Para probar el modelo, puede ejecutar la aplicación de consola para predecir la opinión de una sola declaración con el modelo.

Consumir el modelo

La CLI de ML.NET ha generado el modelo entrenado y el código para usted, por lo que ahora puede utilizar el modelo en aplicaciones .NET (por ejemplo, su aplicación de consola SentimentModel) siguiendo estos pasos:

En la línea de comandos, vaya al directorio consumeModelApp.
Terminal
```
cd SentimentModel
```

Abra el Program.cs en cualquier editor de código e inspeccione el código. El código debe ser similar al siguiente:

Program.cs

using System;

namespace SentimentModel.ConsoleApp
{
    class Program
    {
        static void Main(string[] args)
        {
            // Add input data
            SentimentModel.ModelInput sampleData = new SentimentModel.ModelInput()
            {
              Col0 = @"Wow... Loved this place."
            };

            // Make a single prediction on the sample data and print results
            var predictionResult = SentimentModel.Predict(sampleData);

            Console.WriteLine("Using model to make single prediction -- Comparing actual Col1 with predicted Col1 from sample data...\n\n");


            Console.WriteLine($"Col0: @{"Wow... Loved this place."}");
            Console.WriteLine($"Col1: {1F}");


            Console.WriteLine($"\n\nPredicted Col1: {predictionResult.PredictedLabel}\n\n");
            Console.WriteLine("=============== End of process, hit any key to finish ===============");
            Console.ReadKey();
        }
    }
}

Ejecute el SentimentModel.ConsoleApp. Puede hacerlo ejecutando el siguiente comando en la terminal (asegúrese de estar en el directorio SentimentModel):

Terminal

dotnet run

La salida debe tener un aspecto similar al siguiente:

Terminal

Using model to make single prediction -- Comparing actual Col1 with predicted Col1 from sample data...


Col0: Wow... Loved this place.
Col1: 1
Class                          Score
-----                          -----
1                              0.9651076
0                              0.034892436
=============== End of process, hit any key to finish ===============

Pasos siguientes

Enhorabuena, ha creado su primer modelo de aprendizaje automático con la CLI de ML.NET.

Ahora que ha usado la CLI de ML.NET para la clasificación (en concreto, el análisis de sentimiento), puede probar otros escenarios. Pruebe un escenario de regresión (específicamente la predicción de precios) mediante el conjunto de datos Taxi Fare para seguir creando modelos de ML.NET con la CLI de ML.NET.

Descarga del conjunto de datos de Taxi Fare

ML.NET para principiantes

Deje que Luis le presente el concepto de aprendizaje automático e IA, le explique lo que puede hacer con ellos y le guíe sobre cómo comenzar a usar OpenAI, Servicios de Azure AI y ML.NET:

Es posible que también le interese...

Documentos de la CLI de ML.NET

Más información sobre la CLI de ML.NET

Ejemplos de ML.NET

Explore los ejemplos de ML.NET en GitHub

Documentos para el desarrollador

Profundice en la documentación de ML.NET

Tutorial de ML.NET: comience en 10 minutos

Introducción

Propósito

Requisitos previos

Tiempo para completar

Escenario

Descargar e instalar

¿Ya tiene Visual Studio 2022?

Actualizar a la versión más reciente de Model Builder

Instalar el SDK de .NET

Instalación de la CLI de ML.NET

Crear la aplicación

Agregar aprendizaje automático

Seleccionar un escenario

Descargar y agregar datos

Agregar datos

Entrenar el modelo

Resultados del entrenamiento

¿Qué significan estos comandos?

Progreso

Evaluar su modelo

Probar el modelo

Modelos principales

Generar código

Consumir el modelo

Pasos siguientes

ML.NET para principiantes

Guía de Model Builder

Ejemplos de ML.NET

Documentos para el desarrollador

ML.NET para principiantes

Documentos de la CLI de ML.NET

Ejemplos de ML.NET

Documentos para el desarrollador