系列ML.Net 学习篇【一】——初识机器学习

由于公司项目涉及到机器学习和图像识别,虽然我并不是算法专家，但毕竟需要了解和知道其运转原理，因此自我进行了学习进化，决定在机器学习上有所进展，结合.NET技术的ML.NET,把机器学习的技能提升一个Level，如果你也有兴趣学习机器学习，并且恰好也是熟悉.NET技术栈，那么就和我一块学习吧… r u ready?

• 欢迎点赞 ： 收藏 ⭐留言 如有错误敬请指正，赐人玫瑰，手留余香！
• 本文作者：由webmote 原创
• 作者格言：无尽的折腾后，终于又回到了起点，工控，我来了 ！

1.ML.NET 介绍

.NET 引入ML.NET，非常简单，只需要安装包即可。

<PackageReference Include="Microsoft.ML" Version="2.0.0" />

微软官方的目的就是，让你无需离开 .NET 生态系统，便可以使用 C# 或 F# 创建自定义 ML 模型。并让你可以轻松地将机器学习集成到 Web、移动、桌面、游戏和物联网应用中。

所以如果你刚好有Python训练好的模型，而正在烦恼怎么应用到.NET平台上时，那么刚好可以使用ML.NET，使用你的模型，它基本兼容市面上所有常见的数据格式，ML.NET支持TensorFlow和ONNX模型。

如果你已经有了模型，那么你现在可以导入，并使其开始运行和预测产出。

目前ML.NET运行在 Windows,linux和macOS上，当然需要.NET Core/5/6/7等支持。

2.AutoML

全称是自动机器学习，给定数据集后，它可以运行 AutoML 来循环访问不同的数据转换、机器学习算法和超参数，以选择最佳模型，微软出品，就这么牛逼。

一般传统的机器学习工作流程如下：

其中预处理、训练和评估是一个实验性和迭代过程，需要多次试验，直到获得满意的结果。

由于这些任务往往是重复的，因此 AutoML 可以帮助自动执行这些步骤。 除了自动化之外，在训练和评估过程中还使用优化技术来查找和选择算法和超参数。

3 ML.NET能力范畴

ML.NET提供了预测模型，可以做以下工作。

4 使用ML.NET的流程

使用ML.NET来进行机器学习，其流程还是比较简单的。
1. 将训练数据收集并加载到 IDataView 对象中
2. 指定操作的管道，以提取特征并应用机器学习算法
3. 通过在管道上调用 Fit() 来训练模型 评估模型并通过迭代进行改进
4. 将模型保存为二进制格式，以便在应用程序中使用
5. 将模型加载回 ITransformer 对象 通过调用
6. CreatePredictionEngine.Predict() 进行预测

5. 一个小例子

来源自官网的一个例子，使用拟合斜线预测房价。

MLContext mlContext = new MLContext();
HouseData[] houseData = {
               new HouseData() { Size = 1.1F, Price = 1.2F },
               new HouseData() { Size = 1.9F, Price = 2.3F },
               new HouseData() { Size = 2.8F, Price = 3.0F },
               new HouseData() { Size = 3.4F, Price = 3.7F } };
IDataView trainingData = mlContext.Data.LoadFromEnumerable(houseData);

// 2. Specify data preparation and model training pipeline
var pipeline = mlContext.Transforms.Concatenate("Features", new[] { "Size" })
    .Append(mlContext.Regression.Trainers.Sdca(labelColumnName: "Price", maximumNumberOfIterations: 100));

// 3. Train model
var model = pipeline.Fit(trainingData);
var testPriceDataView = model.Transform(trainingData);
var metrics = mlContext.Regression.Evaluate(testPriceDataView, labelColumnName: "Price");

// 4. Make a prediction
var size = new HouseData() { Size = 2.5F };
var price = mlContext.Model.CreatePredictionEngine<HouseData, Prediction>(model).Predict(size);


Console.WriteLine($"Predicted price for size: {size.Size * 1000} sq ft= {price.Price * 100:C}k");


public class HouseData
{
    public float Size { get; set; }
    public float Price { get; set; }
}

public class Prediction
{
    [ColumnName("Score")]
    public float Price { get; set; }
}

拟合回归是最简单的一个，也是入门最好的算法了。
模型也很简单，就是计算出

总结

一切看起来比较顺畅，祝你好运！
让我们每天进步一点点！