Tutorial do ML.NET: comece a usar em 10 minutos
Intro
Finalidade
Use o ML.NET Model Builder no Visual Studio para treinar e usar seu primeiro modelo de machine learning com o ML.NET.
Instale a ML.NET CLI e, em seguida, treine e use seu primeiro modelo de machine learning com ML.NET.
Pré-requisitos
Nenhum.
macOS 12.0 ou versões posteriores.
Tempo até a conclusão:
10 minutos + tempo de download/instalação
Situação
Um aplicativo que pode prever se o texto das revisões do cliente é um sentimento negativo ou positivo.
Baixar e instalar
Download and install Visual Studio 2026.
Durante a instalação, a carga de trabalho de desenvolvimento para .NET desktop deve ser selecionada junto com o componente opcional do ML.NET Model Builder. Usando o link acima deve pré-selecionar todos os pré-requisitos corretamente, como mostrado na imagem a seguir:
Already have Visual Studio 2026?
This tutorial is optimized for the latest version of Visual Studio. If you already have Visual Studio 2026, ensure it's up to date and has the required workload installed:
-
Localize o Instalador do Visual Studio no seu computador.
No menu Iniciar do Windows, pesquise "
installer" e selecione Instalador do Visual Studio nos resultados. - Se solicitado, permita que o instalador se atualize.
- If an update for Visual Studio 2026 is available, an Update button will be shown. Select it to update before modifying the installation. We recommend using the latest Visual Studio 2026 version for this tutorial.
- Find your Visual Studio 2026 installation and select Modify.
- Selecione Desenvolvimento de área de trabalho do .NET e verifique se ML.NET Model Builder está selecionado no painel direito. Selecione o botão Modificar.
Atualize para a versão mais recente do Model Builder
Depois de habilitar o ML.NET Model Builder no Visual Studio, baixe e instale a versão mais recente.
Baixe a versão mais recente do Model Builder
Depois de baixar, instale a extensão clicando duas vezes no arquivo .vsix.
Instalar SDK do .NET
To build .NET apps, you need to download and install the .NET 10 SDK (Software Development Kit).
Download .NET 10 SDK x64 (Intel)
Download .NET 10 SDK Arm64 (Apple Silicon)
Se você estiver em um Mac com um chip Apple M1 ou M2, precisará instalar a versão Arm64 do SDK.
Instalar ML.NET CLI
A interface de linha de comando (CLI) do ML.NET fornece ferramentas para criar modelos de aprendizado de máquina com ML.NET.
Note: Currently, ML.NET CLI is in Preview and only supports the previous LTS version of the .NET SDK (.NET 8).
Para as etapas de instalação, recomendamos que você use um console Bash. Como o padrão para macOS é um console zsh, você pode criar uma instância singular abrindo um novo terminal e executando o comando abaixo.
bashFOR x64 MACHINES - Execute o comando a seguir:
dotnet tool install -g mlnet-linux-x64FOR ARM64 CHIP ARCHITECTURES - Execute o comando a seguir:
dotnet tool install -g mlnet-linux-arm64Se a ferramenta for instalada com êxito, você deverá ver a seguinte mensagem de saída em que [arch] é a arquitetura do chip:
You can invoke the tool using the following command: mlnet
Tool 'mlnet-linux-[arch]' (version 'X.X.X') was successfully installed.dotnet tool install -g mlnet-osx-x64FOR ARM64 CHIP ARCHITECTURES - Execute o comando a seguir:
dotnet tool install -g mlnet-osx-arm64Se a ferramenta for instalada com êxito, você deverá ver a seguinte mensagem de saída em que [arch] é a arquitetura do chip semelhante ao seguinte:
You can invoke the tool using the following command: mlnet
Tool 'mlnet-osx-[arch]' (version 'X.X.X') was successfully installed.
Observação: se você estiver usando um console diferente do Bash (por exemplo, zsh, que é o novo padrão do macOS), você precisará dar permissões executáveis mlnet e incluir mlnet no caminho do sistema. Instruções sobre como fazer isso devem aparecer no terminal ao instalar o mlnet (ou qualquer ferramenta global). Em geral, o comando a seguir deve funcionar para a maioria dos sistemas: chmod +x [PATH-TO-MLNET-CLI-EXECUTABLE]
Se você vir instruções semelhantes às mostradas abaixo, execute-as no terminal.
cat << \EOF >> ~/.zprofile
#Add .NET Core SDK tools
export PATH="$PATH:~/.dotnet/tools"
EOFComo alternativa, você pode tentar usar o seguinte comando para executar a ferramenta mlnet:
~/.dotnet/tools/mlnetSe o comando ainda fornecer um erro, use o botão Ocorreu um problema abaixo para relatar o problema e obter ajuda para corrigir o problema.
Criar seu aplicativo
Abra o Visual Studio e crie um novo aplicativo de console .NET:
- Select Create a new project from the Visual Studio 2026 start window.
- Selecione o modelo de projeto Aplicativo de console C#.
- Altere o nome do projeto para
myMLApp. - Certifique-se de que Colocar solução e projeto no mesmo diretório esteja desmarcado.
- Selecione o botão Avançar.
- Select .NET 10.0 (Standard Term support) as the Framework.
- Selecione o botão Criar. O Visual Studio cria seu projeto e carrega o arquivo
Program.cs.
Adicionar aprendizado de máquina
Clique com o botão direito do mouse no projeto
myMLAppno Gerenciador de Soluções e selecione Adicionar > Modelo de Machine Learning.![Captura de tela do Visual Studio mostrando o Modelo de Machine Learning selecionado.]()
- No diálogo Adicionar Novo Item, certifique-se que Modelo de machine learning (ML.NET) está selecionado.
Altere o campo Nome para
SentimentModel.mbconfige selecione o botão Adicionar.![A caixa de diálogo Adicionar Novo Item mostrando o Modelo de Aprendizado de Máquina (ML.NET) selecionado e o SentimentModel.mbconfig como o nome do arquivo.]()
Um novo arquivo chamado SentimentModel.mbconfig é adicionado à sua solução e a interface do usuário do Model Builder abre em uma nova janela de ferramentas encaixada no Visual Studio. O arquivo mbconfig é simplesmente um arquivo JSON que acompanha o estado da interface do usuário.
O Model Builder orientará você pelo processo de criação de um modelo de machine learning nas etapas a seguir.
Em seu terminal, execute os seguintes comandos:
mkdir myMLApp
cd myMLAppO comando mkdir cria um novo diretório chamado myMLApp, e o comando cd myMLApp coloca você no diretório de aplicativos recém-criado.
O código de treinamento do modelo será gerado nas próximas etapas.
Escolher um cenário
Para gerar seu modelo, primeiro você precisa selecionar seu cenário de aprendizado de máquina. O Model Builder dá suporte a vários cenários:
nota: Se as capturas de tela do tutorial não corresponderem ao que você vê, talvez seja necessário atualizar sua versão do Model Builder. Vá para Extensões > Gerenciar Extensões para garantir que não haja atualizações disponíveis para o Construtor de Modelos. A versão usada neste tutorial é 17.18.2.
Nesse caso, você preverá o sentimento com base no conteúdo (texto) das revisões do cliente.
-
Na tela Cenário do Model Builder, selecione o cenário Classificação de dados, já que você está prevendo em qual categoria um comentário se enquadra (positivo ou negativo).
![Captura de tela da opção de classificação de dados do Model Builder.]()
-
Depois de selecionar o cenário Classificação de dados, você deve escolher seu ambiente de treinamento. Embora alguns cenários deem suporte ao treinamento no Azure, a Classificação atualmente dá suporte apenas ao treinamento local, portanto, mantenha o ambiente Local selecionado e vá para o passo Dados.
![O ambiente de treinamento local está selecionado no Model Builder.]()
Para gerar seu modelo, você precisa de selecionar seu cenário de aprendizado de máquina.
Há vários cenários de ML que são suportados pelo ML.NET CLI:
- Classificação - Use isso quando quiser prever a qual categoria os dados pertencem (por exemplo, analisar os sentimentos das revisões do cliente como positivas ou negativas).
- Classificação de imagem: use quando desejar prever a qual categoria uma imagem pertence (por exemplo, para prever se uma imagem é de um gato ou de um cachorro).
- Regressão (por exemplo, previsão de valor) - Use isso quando desejar prever um valor numérico (por exemplo, prever o preço da casa).
- Previsão - use isso quando quiser prever valores futuros em uma série temporal (por exemplo, previsão de vendas trimestral).
- Recomendação-use-o quando desejar recomendar itens aos usuários com base nas classificações históricas (por exemplo, recomendação do produto).
Nesse caso, você preverá o sentimento com base no conteúdo (texto) das revisões do cliente, portanto, você usará classificação.
Baixar e adicionar dados
Baixe o Conjuntos de dados de frases rotuladas por reconhecimento do UCI. Descompacte sentiment labelled sentences.zip e salve o arquivo yelp_labelled.txt no diretório myMLApp.
O seu gerenciador de soluções deve ser semelhante ao seguinte:
Cada linha em yelp_labelled.txt representa uma análise diferente de um restaurante deixada por um usuário no Yelp. A primeira coluna representa o comentário deixado pelo usuário e a segunda coluna representa o sentimento do texto (0 é negativo, 1 é positivo). As colunas são separadas por guias, e o conjunto de dados não tem cabeçalho. Os dados se parecem com o seguinte:
Wow... Loved this place. 1
Crust is not good. 0
Not tasty and the texture was just nasty. 0Adicionar dados
No Model Builder, você pode adicionar dados de um arquivo local ou conectar-se a um banco de dados do SQL Server. Nesse caso, você adicionará yelp_labelled.txt de um arquivo.
Selecione Arquivo como o tipo de fonte de dados de entrada.
Procure
yelp_labelled.txt. Depois de selecionar o conjunto de dados, uma visualização dos dados será exibida na seção Visualização de Dados. Como o conjunto de dados não tem um cabeçalho, os cabeçalhos são gerados automaticamente ("col0" e "col1").Em coluna para prever (Rótulo) , selecione "col1". O Rótulo é o que você está prevendo, que, nesse caso, é o sentimento encontrado na segunda coluna ("col1") do conjunto de dados.
As colunas usadas para prever o Rótulo são chamadas de Funcionalidade. Todas as colunas do conjunto de dados, exceto o Rótulo, são automaticamente selecionadas como Funcionalidades. Neste caso, a coluna de comentários de revisão ("col0") é a coluna de Funcionalidade. Você pode atualizar a coluna de Funcionalidade e modificar outras opções de carregamento de dados nas Opções de dados avançados, mas isto não é necessário para este exemplo.
Depois de adicionar seus dados, vá para a etapa Treinar.
Treinar seu modelo
Agora, você treinará seu modelo com o conjunto de dados yelp_labelled.txt.
O Model Builder avalia muitos modelos com configurações e algoritmos variados com base na quantidade de tempo de treinamento fornecido para criar o modelo com melhor desempenho.
Altere o Tempo para treinar, que é a quantidade de tempo que você gostaria que o Model Builder explorasse vários modelos, para 60 segundos (você pode tentar aumentar esse número se nenhum modelo for encontrado após o treinamento). Observe que para os conjuntos de dados maiores, o tempo de treinamento será maior. O Model Builder ajusta automaticamente o tempo de treinamento com base no tamanho do conjunto de dados.
Você pode atualizar a métrica de otimização e os algoritmos usados em Opções de treinamento avançadas, mas isso não é necessário para esse exemplo.
Selecione inciar treinamento para iniciar o processo de treinamento. Depois que o treinamento for iniciado, você poderá ver o tempo restante.
Resultados do treinamento
Quando o treinamento for concluído, você poderá ver um resumo dos resultados de treinamento.
- Best MacroAccuracy - Mostra a precisão do melhor modelo encontrado pelo Model Builder. Maior precisão significa que o modelo previu mais corretamente nos dados de teste.
- Melhor modelo - isto mostra qual algoritmo teve o melhor desempenho durante a exploração do Model Builder.
- Tempo de treinamento – Isso mostra a quantidade total de tempo gasto no treinamento/exploração de modelos.
- Modelos explorados (total) - isto mostra o número total de modelos explorados pelo Model Builder em um determinado período de tempo.
- Generated code-behind - Mostra os nomes dos arquivos gerados para ajudar a consumir o modelo ou treinar um novo modelo.
Se desejar, você pode exibir mais informações sobre a sessão de treinamento na janela de saída de Machine Learning.
Após a conclusão do treinamento do modelo, vá para a etapa Avaliar.
No seu terminal, execute o seguinte comando (em sua myMLApppasta):
mlnet classification --dataset "yelp_labelled.txt" --label-col 1 --has-header false --name SentimentModel --train-time 60O que esses comandos significam?
O comando mlnet classification executa o ML.NET com AutoML para explorar muitas iterações de modelos de classificação no tempo de treinamento especificado com combinações variáveis de transformações de dados, algoritmos e opções de algoritmo e, em seguida, escolhe o modelo com o maior desempenho.
- --dataset: Você escolheu
yelp_labelled.txtcomo o conjunto de dados (internamente, a CLI dividirá o conjunto de dados em conjuntos de dados de treinamento e teste). - --label-col: Especifique a coluna de destino que deseja prever (ou o rótulo). Nesse caso, você deseja prever o sentimento na segunda coluna (colunas indexadas com zero significa que esta é a coluna "1").
- --has-header: Use esta opção para especificar se o conjunto de dados tem um cabeçalho. Nesse caso, o conjunto de dados não tem um cabeçalho, portanto, ele é falso.
- --name: Use esta opção para fornecer um nome para seu modelo de machine learning e ativos relacionados. Neste caso, todos os ativos associados a este modelo de machine learning terão SentimentModel no nome.
- --train-time: Você também deve especificar o período de tempo que você gostaria que a CLI do ML.NET explorasse diferentes modelos. Nesse caso, 60 segundos (você pode tentar aumentar este número se nenhum modelo for encontrado após o treinamento). Observe que para conjuntos de dados maiores, você deve definir um tempo de treinamento mais longo.
Andamento
Enquanto a CLI do ML.NET está explorando modelos diferentes, ela exibe os seguintes dados:
- Iniciar treinamento - Esta seção mostra cada iteração de modelo, incluindo o treinador (algoritmo) usado e as métricas de avaliação para essa iteração.
- Tempo restante – Isso e a barra de progresso indicarão quanto tempo resta no processo de treinamento em segundos.
- Melhor algoritmo-mostra qual algoritmo executou melhor até agora.
- Melhor pontuação – Isso mostra o desempenho do melhor modelo até o momento. Maior precisão significa que o modelo previu mais corretamente nos dados de teste.
Se desejar, você pode exibir mais informações sobre a sessão de treinamento no arquivo de log gerado pela CLI.
Avaliar seu modelo
A etapa Avaliar mostra o algoritmo de melhor desempenho e a melhor precisão e permite experimentar o modelo na interface do usuário.
Experimente seu modelo
Você pode fazer previsões na entrada de amostras na seção Experimente seu modelo. A caixa de texto é pré-preenchida com a primeira linha de dados do seu conjunto de dados, mas você pode alterar a entrada e selecionar o botão Previsão para experimentar previsões de sentimento diferentes.
Nesse caso, 0 significa um sentimento negativo e 1 significa um sentimento positivo.
Observação: se o seu modelo não estiver funcionando bem (por exemplo, se a precisão for baixa ou se o modelo prever apenas valores “1”), tente adicionar mais tempo e treinar novamente. Este exemplo usa um conjunto de dados muito pequeno; para modelos de nível de produção, talvez você queira adicionar muito mais dados e tempo de treinamento.
Após avaliar e experimentar o modelo, vá para a etapa Consumir.
Depois que a CLI do ML.NET selecionar o melhor modelo, ela exibirá o resumo de treinamento, que mostra um resumo do processo de exploração, incluindo quantos modelos foram explorados no tempo de treinamento especificado.
Principais modelos
Embora a CLI do ML.NET gere código para o modelo de melhor desempenho, ela também exibe os modelos superiores (até 5) com a precisão mais alta que encontrou no tempo de exploração especificado. Ela exibe várias métricas de avaliação dos principais modelos, incluindo AUC, AUPRC e medida f. Para obter mais informações, confira métricas do ML.NET.
Gerar código
Após a conclusão do treinamento, quatro arquivos serão automaticamente adicionados como code-behind ao SentimentModel.mbconfig:
SentimentModel.consumption.cs: este arquivo contém as classes de modelo de entrada e saída e um método dePredictque pode ser usado para o consumo de modelos.SentimentModel.evaluate.cs: esse arquivo contém um métodoCalculatePFIque usa a técnica de Importância do Recurso de Permutação (PFI) para avaliar quais recursos contribuem mais para as previsões de modelo.SentimentModel.mlnet: Este arquivo é o modelo ML.NET treinado, que é um arquivo zip serializado.SentimentModel.training.cs: Esse arquivo contém o código para entender a importância que as colunas de entrada têm em suas previsões de modelo.
Na etapa Consumir no Model Builder, é fornecido um trecho de código que cria uma entrada de exemplo para o modelo e usa o modelo para fazer uma previsão nessa entrada.
O Model Builder também oferece Modelos de projeto que você pode adicionar opcionalmente à sua solução. Há dois modelos de projeto (um aplicativo de console e uma API Web), ambos consomem o modelo treinado.
A CLI do ML.NET adiciona o modelo de machine learning e o código para treinamento e consumo do modelo, o que inclui o seguinte:
-
Um novo diretório chamado SentimentModel foi criado contendo um aplicativo de console .NET que inclui os seguintes arquivos:
Program.cs: este arquivo contém o código para executar o modelo.SentimentModel.consumption.cs: este arquivo contém as classes de modelo de entrada e saída e um método dePredictque pode ser usado para o consumo de modelos.SentimentModel.mbconfig: este arquivo é um arquivo JSON que mantém o controle das configurações e dos resultados do seu treinamento.SentimentModel.training.cs: este arquivo contém o pipeline de treinamento (transformações de dados, algoritmo e parâmetros de algoritmo) usado para treinar o modelo final.SentimentModel.zip: este arquivo é o modelo ML.NET treinado, que é um arquivo zip serializado.
Para tentar o modelo, você pode executar o aplicativo de console para prever o sentimento de uma única instrução com o modelo.
Consumir seu modelo
A última etapa é consumir seu modelo treinado no aplicativo do usuário final.
-
Substitua o código
Program.csem seu projetomyMLAppcom o seguinte código:Program.csusing MyMLApp; // Add input data var sampleData = new SentimentModel.ModelInput() { Col0 = "This restaurant was wonderful." }; // Load model and predict output of sample data var result = SentimentModel.Predict(sampleData); // If Prediction is 1, sentiment is "Positive"; otherwise, sentiment is "Negative" var sentiment = result.PredictedLabel == 1 ? "Positive" : "Negative"; Console.WriteLine($"Text: {sampleData.Col0}\nSentiment: {sentiment}"); -
Execute
myMLApp(selecione Ctrl+F5 ou Depuração > Iniciar sem depuração). Você deve ver a saída a seguir, prevendo se a instrução de entrada é positiva ou negativa.![O resultado: texto: esse restaurante foi excelente. Sentimento: positivo]()
A CLI do ML.NET gerou o modelo e o código treinados para você, portanto, agora você pode usar o modelo em aplicativos .NET (por exemplo, seu aplicativo de console SentimentModel) seguindo estas etapas:
- Na linha de comando, navegue até o diretório
consumeModelApp.Command promptcd SentimentModel -
Abra o
Program.csem qualquer editor de código e inspecione o código. O código deve ser semelhante ao seguinte:Program.csusing 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(); } } } -
Execute seu
SentimentModel.ConsoleApp. Você pode fazer isso executando o comando a seguir no terminal (verifique se você está no diretórioSentimentModel):Command promptdotnet runA saída deve ser algo parecido com isto:
Command promptUsing 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 ===============
Próximas etapas
Parabéns, você criou seu primeiro modelo de machine learning com o ML.NET Model Builder!
Agora que você tem as noções básicas, continue com isso com o módulo de aprendizado autoguiado no Microsoft Learn, em que você usará os dados do sensor para detectar se um dispositivo de fabricação está quebrado.
Microsoft Learn: Treine um modelo de manutenção preditiva
ML.NET para iniciantes
Deixe o Luis apresentar a você os conceitos de aprendizado de máquina e IA, explicar o que você pode fazer com eles e guiar você sobre como começar a usar o OpenAI, os Serviços de IA do Azure e o ML.NET:
Você também pode estar interessado em...
Parabéns, você criou seu primeiro modelo de machine learning com a CLI do ML.NET!
Agora que você usou o ML.NET CLI para Classificação (especificamente análise de sentimentos), você pode tentar outros cenários. Experimente um cenário de regressão (especificamente previsão de preço) usando o conjunto de dados de Valor do Táxi para continuar compilando modelos de ML.NET com o ML.NET CLI.
Baixar o conjunto de dados tarifas de táxi
ML.NET para iniciantes
Deixe o Luis apresentar a você o conceito de aprendizado de máquina e IA, explicar o que você pode fazer com ele e guiar você sobre como começar a usar o OpenAI, os Serviços de IA do Azure e o ML.NET:
Você também pode estar interessado em...