Tutorial ML.NET | Mulai dalam 10 menit

Intro

Tujuan

Instal CLI ML.NET, lalu latih dan gunakan model pembelajaran mesin pertama Anda dengan ML.NET.

Prasyarat

Tidak ada.

Waktu untuk Menyelesaikan

10 menit + waktu pengunduhan/penginstalan

Skenario

Aplikasi yang dapat memprediksi apakah teks dari ulasan pelanggan adalah sentimen negatif atau positif.

Unduh dan instal

Instal SDK .NET

Untuk membangun aplikasi .NET, Anda perlu mengunduh dan menginstal .NET 8 SDK (Kit Pengembangan Perangkat Lunak).

Instruksi Penginstalan SDK .NET 8

Instal CLI ML.NET

Antarmuka baris perintah (CLI) ML.NET, menyediakan alat untuk membuat model pembelajaran mesin dengan ML.NET.

Catatan: Saat ini, ML.NET CLI dalam versi Pratinjau dan hanya mendukung versi LTS terbaru dari .NET SDK (.NET 8).

UNTUK MESIN x64 - Jalankan perintah berikut:

Terminal

dotnet tool install -g mlnet-linux-x64

UNTUK ARSITEKTUR CHIP ARM64 - Jalankan perintah berikut:

Terminal

dotnet tool install -g mlnet-linux-arm64

Jika alat berhasil diinstal, Anda akan melihat pesan output berikut dengan [arch] adalah arsitektur chip:

Terminal

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

Catatan: Jika Anda menggunakan konsol selain Bash (misalnya, zsh, yang merupakan default baru untuk macOS), Anda harus memberikan mlnet izin dapat dieksekusi dan sertakan mlnet ke jalur sistem. Petunjuk tentang cara melakukan ini akan muncul di terminal saat Anda menginstal mlnet (atau alat global apa pun).. Secara umum, perintah berikut dapat digunakan untuk sebagian besar sistem: chmod +x [PATH-TO-MLNET-CLI-EXECUTABLE]

Atau, Anda dapat mencoba mengikuti perintah berikut untuk menjalankan alat mlnet:

Terminal

~/.dotnet/tools/mlnet

Jika perintah masih memberi Anda kesalahan, gunakan tombol saya mengalami masalah di bawah ini untuk melaporkan masalah dan mendapatkan bantuan memperbaiki masalah.

Buat aplikasi Anda

Di terminal Anda, jalankan perintah berikut:

Terminal

mkdir myMLApp
cd myMLApp

Perintah mkdir membuat direktori baru bernama myMLApp, dan perintah cd myMLApp menempatkan Anda ke direktori aplikasi yang baru dibuat.

Kode pelatihan model Anda akan dibuat dalam langkah-langkah mendatang.

Pilih skenario

Untuk membuat model, Anda perlu memilih skenario pembelajaran mesin.

Ada beberapa skenario ML yang didukung oleh CLI ML.NET:

Klasifikasi - Gunakan ini jika Anda ingin memprediksi data kategori mana yang termasuk (misalnya, menganalisis sentimen ulasan pelanggan sebagai positif atau negatif).
Klasifikasi gambar - Gunakan ini saat Anda ingin memprediksi kategori dari suatu gambar (misalnya, memprediksi apakah suatu gambar adalah kucing atau anjing).
Regresi (misalnya, prediksi nilai) - Gunakan ini saat Anda ingin memprediksi nilai numerik (misalnya, memprediksi harga rumah).
Prakiraan - Gunakan ini jika Anda ingin memperkirakan nilai di masa mendatang dalam rangkaian waktu (misalnya, prakiraan penjualan triwulanan).
Rekomendasi - Gunakan ini saat Anda ingin merekomendasikan item kepada pengguna berdasarkan peringkat riwayat (misalnya, rekomendasi produk).

Dalam hal ini, Anda akan memprediksi sentimen berdasarkan konten (teks) ulasan pelanggan, sehingga Anda akan menggunakan klasifikasi.

Unduh dan tambahkan data

Unduh himpunan data Kalimat Berlabel Sentimen dari Repositori Pembelajaran Mesin UCI. Buka zip sentiment labelled sentences.zip dan simpan file yelp_labelled.txt ke direktori myMLApp.

Setiap baris dalam yelp_labelled.txt mewakili ulasan lain tentang restoran yang ditinggalkan oleh pengguna di Yelp. Kolom pertama mewakili komentar yang ditinggalkan oleh pengguna, dan kolom kedua mewakili sentimen teks (0 negatif, 1 positif). Kolom dipisahkan oleh tab, dan himpunan data tidak memiliki header. Data terlihat seperti berikut:

yelp_labelled.txt

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

Latih model Anda

Sekarang, Anda akan melatih model Anda dengan himpunan data yelp_labelled.txt.

Di terminal Anda, jalankan perintah berikut (di folder myMLApp Anda):

Terminal

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

Apa arti perintah ini?

Perintah mlnet classification menjalankan ML.NET dengan AutoML untuk mengeksplorasi banyak iterasi model klasifikasi dalam jumlah waktu pelatihan tertentu dengan berbagai kombinasi transformasi data, algoritma, dan opsi algoritma, lalu memilih model dengan performa tertinggi.

--dataset: Anda memilih yelp_labelled.txt sebagai himpunan data (secara internal, CLI akan membagi satu himpunan data menjadi himpunan data pelatihan dan pengujian).
--label-col: Anda harus menentukan kolom target yang ingin Anda prediksi (atau Label). Dalam hal ini, Anda ingin memprediksi sentimen di kolom kedua (kolom terindeks nol berarti ini adalah kolom "1").
--has-header: Gunakan opsi ini untuk menentukan apakah himpunan data memiliki header. Dalam hal ini, himpunan data tidak memiliki header, sehingga salah.
--name: Gunakan opsi ini untuk memberikan nama untuk model pembelajaran mesin dan aset terkait Anda. Dalam hal ini, semua aset yang terkait dengan model pembelajaran mesin ini akan memiliki SentimentModel dalam namanya.
--train-time: Anda juga harus menentukan jumlah waktu yang diinginkan agar ML.NET CLI menjelajahi model yang berbeda. Dalam hal ini, 60 detik (Anda dapat mencoba meningkatkan angka ini jika tidak ada model yang ditemukan setelah pelatihan). Perhatikan bahwa untuk himpunan data yang lebih besar, Anda harus mengatur waktu pelatihan yang lebih lama.

Progres

Saat ML.NET CLI menjelajahi berbagai model, ini menampilkan data berikut:

Mulai pelatihan - Bagian ini menampilkan setiap iterasi model, termasuk metrik pelatih (algoritma) yang digunakan dan evaluasi untuk iterasi tersebut.
Waktu tersisa - Ini dan bilah kemajuan akan menunjukkan berapa lama waktu yang tersisa dalam proses pelatihan dalam detik.
Algoritma terbaik - Ini menunjukkan kepada Anda algoritma mana yang memiliki performa terbaik sejauh ini.
Skor terbaik - Ini menunjukkan kinerja model terbaik sejauh ini. Akurasi yang lebih tinggi berarti model memprediksi dengan lebih tepat pada data pengujian.

Jika menginginkannya, Anda dapat melihat informasi selengkapnya tentang sesi pelatihan dalam file log yang dihasilkan oleh CLI.

Evaluasi model Anda

Setelah ML.NET CLI memilih model terbaik, CLI akan menampilkan Ringkasan pelatihan, yang memperlihatkan ringkasan proses eksplorasi, termasuk jumlah model yang dijelajahi dalam waktu pelatihan tertentu.

Model Teratas

Sementara CLI ML.NET menghasilkan kode untuk model berkinerja tertinggi, CLI juga menampilkan model teratas (hingga 5) dengan akurasi tertinggi yang ditemukan dalam waktu eksplorasi tertentu. CLI menampilkan beberapa metrik evaluasi untuk model teratas tersebut, termasuk AUC, AUPRC, dan F1-score. Untuk informasi selengkapnya, lihat metrik ML.NET.

Buat kode

CLI ML.NET menambahkan model pembelajaran mesin dan kode untuk pelatihan dan penggunaan model, yang mencakup hal berikut:

Direktori baru bernama SentimentModel dibuat dan berisi aplikasi konsol .NET yang mencakup file berikut:
- Program.cs: File ini berisi kode untuk menjalankan model.
- SentimentModel.consumption.cs: File ini berisi kelas input dan output model serta metode Predict yang dapat digunakan untuk konsumsi model.
- SentimentModel.mbconfig: File ini adalah file JSON yang melacak konfigurasi dan hasil dari pelatihan Anda.
- SentimentModel.training.cs: File ini berisi alur pelatihan (transformasi data, algoritma, dan parameter algoritma) yang digunakan untuk melatih model akhir.
- SentimentModel.zip: File ini adalah model ML.NET terlatih, yang merupakan file zip yang diserialisasi.

Untuk mencoba model, Anda dapat menjalankan aplikasi konsol untuk memprediksi sentimen pernyataan tunggal dengan model.

Gunakan model Anda

CLI ML.NET telah membuat model dan kode terlatih untuk Anda, sehingga sekarang Anda dapat menggunakan model di aplikasi .NET (misalnya, aplikasi konsol SentimentModel) dengan mengikuti langkah-langkah berikut:

Di baris perintah, navigasikan ke direktori consumeModelApp.
Terminal
```
cd SentimentModel
```

Buka Program.cs di editor kode apa pun dan periksa kodenya. Kode harus terlihat mirip dengan berikut ini:

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();
        }
    }
}

Jalankan SentimentModel.ConsoleApp Anda. Anda dapat melakukan ini dengan menjalankan perintah berikut di terminal (pastikan Anda berada dalam direktori SentimentModel):

Terminal

dotnet run

Output akan terlihat seperti ini:

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 ===============

Langkah berikutnya

Selamat, Anda telah membuat model pembelajaran mesin pertama Anda dengan ML.NET CLI!

Setelah menggunakan CLI ML.NET untuk Klasifikasi (khususnya analisis sentimen), Anda dapat mencoba skenario lain. Cobalah skenario Regresi (khususnya prediksi harga) menggunakan kumpulan data Tarif Taksi untuk terus membuat model ML.NET dengan CLI ML.NET.

Unduh himpunan data Tarif Taksi

ML.NET untuk Pemula

Izinkan Luis memperkenalkan konsep pembelajaran mesin & AI, menjelaskan untuk apa saja dapat digunakan, dan memandu Anda dalam memulai OpenAI, Layanan Azure AI, dan ML.NET:

Anda mungkin juga tertarik dengan...

Dokumen CLI ML.NET

Pelajari selengkapnya tentang ML.NET CLI

Sampel ML.NET

Jelajahi sampel ML.NET di GitHub

Dokumen pengembang

Menggali lebih dalam dengan dokumentasi untuk ML.NET

Tutorial ML.NET - Mulai dalam 10 menit

Intro

Tujuan

Prasyarat

Waktu untuk Menyelesaikan

Skenario

Unduh dan instal

Sudah memiliki Visual Studio 2022?

Mutakhirkan ke Model Builder versi terbaru

Periksa pembaruan Visual Studio

Instal SDK .NET

Instal CLI ML.NET

Buat aplikasi Anda

Tambahkan pembelajaran mesin

Pilih skenario

Unduh dan tambahkan data

Tambahkan data

Latih model Anda

Hasil pelatihan

Apa arti perintah ini?

Progres

Evaluasi model Anda

Coba model Anda

Model Teratas

Buat kode

Gunakan model Anda

Langkah berikutnya

ML.NET untuk Pemula

Panduan Model Builder

Sampel ML.NET

Dokumen pengembang

ML.NET untuk Pemula

Dokumen CLI ML.NET

Sampel ML.NET

Dokumen pengembang

Laporkan masalah

Berikan umpan balik