ML.NET
Kerangka kerja pembelajaran mesin sumber terbuka dan lintas platform
Didukung di Windows, Linux, dan macOS
//Step 1. Create an ML Context
var ctx = new MLContext();
//Step 2. Read in the input data from a text file for model training
IDataView trainingData = ctx.Data
.LoadFromTextFile<ModelInput>(dataPath, hasHeader: true);
//Step 3. Build your data processing and training pipeline
var pipeline = ctx.Transforms.Text
.FeaturizeText("Features", nameof(SentimentIssue.Text))
.Append(ctx.BinaryClassification.Trainers
.LbfgsLogisticRegression("Label", "Features"));
//Step 4. Train your model
ITransformer trainedModel = pipeline.Fit(trainingData);
//Step 5. Make predictions using your trained model
var predictionEngine = ctx.Model
.CreatePredictionEngine<ModelInput, ModelOutput>(trainedModel);
var sampleStatement = new ModelInput() { Text = "This is a horrible movie" };
var prediction = predictionEngine.Predict(sampleStatement);//Step 1. Create an ML Context
let ctx = MLContext()
//Step 2. Read in the input data from a text file
let trainingData = ctx.Data.LoadFromTextFile<ModelInput>(dataPath, hasHeader=true)
//Step 3. Build your data processing and training pipeline
let scope = ctx.BinaryClassification.Trainers.LbfgsLogisticRegression("Label", "Features")
let pipeline = ctx.Transforms.Text.FeaturizeText("Features", "Text").Append(scope)
//Step 4. Train your model
let trainedModel = pipeline.Fit(trainingData)
//Step 5. Make predictions using your model
let predictionEngine = ctx.Model.CreatePredictionEngine<ModelInput, ModelOutput>(trainedModel)
let sampleStatement = { Label = false; Text = "This is a horrible movie" }
let prediction = predictionEngine.Predict(sampleStatement)Dibuat untuk pengembang .NET
Dengan ML.NET, Anda dapat membuat model ML kustom menggunakan C# atau F# tanpa harus meninggalkan ekosistem .NET.
ML.NET memungkinkan Anda menggunakan kembali semua pengetahuan, keterampilan, kode, dan pustaka yang sudah Anda miliki sebagai pengembang .NET sehingga dapat dengan mudah mengintegrasikan pembelajaran mesin ke aplikasi web, seluler, desktop, game, dan IoT Anda.
Anda dapat menemukan sampel ML.NET lainnya di GitHub, atau lihat tutorial ML.NET.
ML kustom menjadi mudah dengan AutoML
ML.NET menawarkan Model Builder (alat UI sederhana) dan ML.NET CLI untuk memudahkan pembuatan Model ML kustom.
Alat ini menggunakan ML Otomatis (AutoML), teknologi canggih yang mengotomatiskan proses pembuatan model berkinerja terbaik untuk skenario Pembelajaran Mesin Anda. Anda hanya perlu memuat data, dan AutoML menangani proses pembuatan model selanjutnya.
Jelajahi Builder Model ML.NET
Diperluas dengan TensorFlow & lebih banyak
ML.NET telah dirancang sebagai platform yang dapat diperluas sehingga Anda dapat menggunakan kerangka kerja ML populer lainnya (TensorFlow, ONNX, Infer.NET, dan lainnya) dan memiliki akses ke lebih banyak skenario pembelajaran mesin, seperti klasifikasi gambar, deteksi objek, dan lainnya .
Data bersumber dari makalah Pembelajaran Mesin di Microsoft dengan ML.NET. Hasil untuk analisis sentimen, menggunakan ~900 MB kumpulan data ulasan Amazon. Akurasi yang lebih tinggi dan runtime yang lebih rendah lebih baik.
Kinerja dan akurasi tinggi
Menggunakan himpunan data ulasan Amazon 9 GB, ML.NET melatih model analisis sentimen dengan akurasi 95%. Kerangka pembelajaran mesin populer lainnya gagal memproses himpunan data karena kesalahan memori. Melatih 10% dari himpunan data, agar semua kerangka kerja menyelesaikan pelatihan, ML.NET menunjukkan kecepatan dan akurasi tertinggi.
Evaluasi kinerja menemukan hasil yang serupa dalam skenario pembelajaran mesin lainnya, termasuk prediksi rasio klik-tayang dan prediksi penundaan penerbangan.
Siap untuk memulai?
Tutorial langkah demi langkah kami akan membantu Anda menjalankan ML.NET di komputer.