什麼是 ML.NET?

載入資料

機器學習使用已知的資料 (例如，訓練資料) 來尋找模式，以便對新的未知資料進行預測。

機器學習的輸入稱爲 [功能]，這是用來進行預測的屬性。機器學習的輸出則稱為 [標籤]，這是實際預測。

ML.NET 中的資料表示為 IDataView，這是一種彈性且高效率描述表格式資料 (例如，資料列和資料行) 的方式。IDataView 物件可包含數字、文字、布林值、向量等等。您可以將檔案或即時串流來源中的資料載入 IDataView。

LoadFromTextFile 讓您可從 TXT、CSV、TSV 及其他檔案格式載入資料。

IDataView trainingData = mlContext.Data
    .LoadFromTextFile<SentimentInput>(dataPath, separatorChar: ',', hasHeader: true);

LoadFromEnumerable 可讓您從記憶體內集合、JSON/XML、關聯式與非關聯式資料庫 (例如，SQL、CosmosDB、MongoDB) 及許多其他資料來源載入。

IDataView trainingData = mlContext.Data
    .LoadFromEnumerable<SentimentInput>(inMemoryCollection);

深入了解載入資料

轉換資料

在多數情況下，您可用的資料不適合直接用來定型機器學習模型。未經處理資料需要透過資料轉換來預先處理。

[轉換器] 會取得資料，在其上執行一些工作，然後傳回新的已轉換資料。

內建有用於取代遺漏值、資料轉換、特徵化文字等的資料轉換集。

// Convert sentiment text into numeric features
IEstimator<ITransformer> dataTransformPipeline = mlContext.Transforms.Text
    .FeaturizeText("Features", "SentimentText");

探索資料轉換

選擇演算法

使用機器學習和 ML.NET 時，您必須選擇符合您的案例的機器學習工作。ML.NET 可為各種 ML 工作提供超過 30 種演算法 (或定型器):

IEstimator<ITransformer> trainer = mlContext.BinaryClassification.Trainers
    .AveragedPerceptron(labelColumnName: "Sentiment", featureColumnName: "Features"));

IEstimator<ITransformer> trainingPipeline = dataTransformPipeline.Append(trainer);

探索演算法

定型模型

您必須呼叫 Fit() 方法 (因為 ML.NET 的延遲載入方法)，才能執行您指定的資料轉換和演算法。這是模型訓練發生的時候。

估算器會取得資料、從資料學習，以及建立轉換器。在模型定型的情況下，定型資料是輸入，而定型模型是輸出; 因此，定型的模型是轉換器，將輸入功能從新資料轉換成輸出預測。

ITransformer model = pipeline.Fit(trainingData);

深入了解模型定型

評估模型

ML.NET 提供評估您模型各種計量之效能的評估工具:

• 正確性
• 曲線下的面積 (AUC)
• R 平方
• 均方根誤差 (RMSE)

// Make predictions on test data
IDataView predictions = model.Transform(testDataView);

// Evaluate model and return metrics
var metrics = mlContext.BinaryClassification
    .Evaluate(predictions, labelColumnName: "Sentiment");

// Print out accuracy metric
Console.WriteLine("Accuracy" + metrics.Accuracy);

探索評估計量

部署與取用模型

您可以將定型的模型儲存為二進位檔案，然後再整合到您的 .NET 應用程式中。

mlContext.Model.Save(model, trainingData, "model.zip");

儲存已訓練的模型之後，即可在其他 .NET 應用程式中載入模型。

MLContext mlContext = new MLContext();
DataViewSchema predictionPipelineSchema;
ITransformer trainedModel = mlContext.Model.Load("model.zip", out predictionPipelineSchema);

接著，您可以使用載入的模型開始進行預測。您可以使用 [預測引擎]，這是用於進行單一預測的便利 API，或是使用用於進行批次預測的 [轉換] 方法。

var predEngine = mlContext.Model.CreatePredictionEngine(model);
SentimentInput sampleComment = new SentimentInput{ SentimentText = "This is very rude!" };
SentimentOutput result = predEngine.Predict(sampleComment);
Console.WriteLine(result.Prediction);

了解如何使用經過定型的 ML 模型