ML.NET 快速入门与实践指南：Net机器学习利器

郑子铭

发布于 2025-04-07 01:53:31

9700

代码可运行

文章被收录于专栏：DotNet NB && CloudNativeDotNet NB && CloudNative

运行总次数：0

代码可运行

ML.NET 是一个跨平台的开源机器学习框架，专门为开发者设计，允许在 .NET 应用程序中集成机器学习功能。如果你想在 .NET 应用中使用机器学习，ML.NET 是一个很好的选择。

安装 ML.NET

第一步，老规矩，先安装

dotnet add package Microsoft.ML

加载数据

ML.NET 通常需要数据集来进行训练和测试。假设有一个 CSV 文件，包含学生的学习时长和他们的考试成绩。我们将创建一个简单的模型，预测考试成绩。

示例数据集（`data.csv`）：

StudyHours,Score
1,50
2,60
3,65
4,70
5,75

创建数据模型类

首先，定义一个数据类，表示 CSV 文件中的数据。

using Microsoft.ML.Data;

public class StudentData
{
    [LoadColumn(0)]
    public float StudyHours;

    [LoadColumn(1)]
    public float Score;
}

然后，定义一个预测结果类，表示模型输出的预测值。

public class StudentPrediction
{
    public float Score;
}

构建和训练模型

在 Program.cs 中，我们将加载数据、构建一个简单的线性回归模型，并进行训练。

using System;
using Microsoft.ML;
using Microsoft.ML.Data;
using System.Linq;
var mlContext = new MLContext();

// 加载数据
var data = mlContext.Data.LoadFromTextFile<StudentData>("data.csv", separatorChar: ',', hasHeader: true);


// 分割数据为训练集和测试集
var trainTestSplit = mlContext.Data.TrainTestSplit(data, testFraction: 0.2);

// 构建数据处理管道（数据预处理）
var pipeline = mlContext.Transforms.Concatenate("Features", new[] { "StudyHours" })
           .Append(mlContext.Regression.Trainers.Sdca(labelColumnName: "Score", maximumNumberOfIterations: 100));

// 训练模型
var model = pipeline.Fit(trainTestSplit.TrainSet);

// 使用模型进行预测
var predictions = model.Transform(trainTestSplit.TestSet);

// 获取模型的评估指标
var metrics = mlContext.Regression.Evaluate(predictions, labelColumnName: "Score", scoreColumnName: "Score");

// 打印评估指标
Console.WriteLine($"R^2: {metrics.RSquared}");
Console.WriteLine($"Mean Absolute Error: {metrics.MeanAbsoluteError}");
Console.WriteLine($"Root Mean Squared Error: {metrics.RootMeanSquaredError}");

// 使用模型进行预测
var predictionFunction = mlContext.Model.CreatePredictionEngine<StudentData, StudentPrediction>(model);
var newStudent = new StudentData { StudyHours = 6 };
var predictedScore = predictionFunction.Predict(newStudent);

Console.WriteLine($"Predicted Score for 6 hours of study: {predictedScore.Score}");