ML.NET 机器学习教程 10分钟入门

一、创建应用
打开 Visual Studio 并新建 .NET 控制台应用:
1、从 Visual Studio 2022 开始窗口中选择新建项目。
2、选择 C# 控制台应用项目模板。
3、将项目名称更改为 MLApp。
4、确保不选中将解决方案和项目置于同一目录中。
5、选择“下一步”按钮。
6、选择 .NET Framework 4.8。
7、选择“创建”按钮。Visual Studio 将创建项目并加载 Program.cs 文件。

二、添加机器学习
1、右击解决方案资源管理器中的 myMLApp 项目，并选择添加 > 机器学习模型。
2、在“添加新项目”对话框中，确保选中“机器学习模型(ML.NET)”。
3、将“名称”字段更改为 SentimentModel.mbconfig，然后选择“添加”按钮。一个名为 SentimentModel.mbconfig 的新文件将添加到你的解决方案中，并且 Model Builder UI 将在 Visual Studio 的新停靠工具窗口中打开。mbconfig 文件只是一个 json 文件，用于跟踪 UI 的状态。

三、选取方案

若要生成模型，首先需要选择机器学习场景。Model Builder 支持多种场景：

在这种情况下，将根据客户评价的内容(文字)预测情绪。

1、在“Model Builder 方案”屏幕中，选择数据分类方案，因为要预测注释属于哪个类别(正或负)。

2、在选择数据分类方案后，必须选择训练环境。虽然一些方案支持在 Azure 中进行训练，但“分类”目前仅支持本地训练，因此，请保持选择本地环境，并继续执行数据步骤。

四、下载并添加数据

下载 UCI 机器学习存储库中的带情绪标签的句子数据集。解压缩 sentiment labelled sentences.zip 并保存 yelp_labelled.txt 文件到 myMLApp 目录。

yelp_labelled.txt 中的每一行代表用户在 Yelp 上对餐厅的不同评论。第一列代表用户留下的评论，第二列代表文本的情绪(0 为负面，1 为正面)。这些列由制表符分隔，并且数据集没有标头。数据如下所示:

yelp_labelled.txt

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

添加数据
在 Model Builder 中，可以从本地文件添加数据或连接到 SQL Server 数据库。这次你将从文件添加 yelp_labelled.txt。

1、选择文件作为输入数据源类型。

2、浏览 yelp_labelled.txt。选择数据集后，数据预览会显示在 数据预览 部分中。由于数据集没有标头，因此将自动生成标头(“col0” 和 “col1”)。

3、在“预测列 (标签)”下，选择 “col1″。“标签”是预测内容，在本例中是在数据集的第二列 (“col1”) 中发现的情绪。

4、用于帮助预测标签的列称为“特征”。除“标签”外，数据集中的所有列都将自动选择为“特征”。在这种情况下，审阅评论列(“col0”)是特征列。可以在“高级数据选项”中更新特征列并修改其他数据加载选项，但在本示例中不是必需的。

五、训练模型
现在，将使用 yelp_labelled.txt 数据集来训练模型。
Model Builder 会根据生成性能最佳模型给定的定型时间，评估多个具有不同算法和设置的模型。

1、将“训练时间”(即希望 Model Builder 探索各种模型的时间)更改为 60 秒(如果训练后未发现模型，则可以尝试增加此数字)。请注意，对于较大的数据集，训练时间会更长。Model Builder 会根据数据集大小自动调整训练时间。

2、选择开始训练以开始训练过程。训练开始后，可以看到剩余时间。

训练结果
完成训练后，你可以查看训练结果摘要。

最佳准确性 – 这将向你展示 Model Builder 找到的最佳模型的准确性。精度越高意味着模型对于测试数据的预测越正确。
最佳模型 – 这将显示在 Model Builder 探索期间表现最佳的算法。
训练时间 – 显示训练/探索模型所花费的总时间量。

六、评估模型

评估步骤显示性能最佳的算法以及最佳准确度，并让你在 UI 中尝试相应模型。

立即试用模型
可以在“试用模型”部分对样本输入进行预测。文本框中预先填充了数据集的第一行数据，但你可以更改输入并选择“预测”按钮来尝试不同的情绪预测。

在这种情况下，0 表示负面情绪，1 表示正面情绪。

注意: 如果模型性能不佳(例如，如果“准确度”低或模型仅预测 ‘1’ 值)，则可以尝试添加更多时间并再次训练。这是使用极小数据集的示例；对于生产级模型，需要添加更多的数据和训练时间。

七、生成代码

训练完成后，三个文件将作为代码隐藏自动添加到 SentimentModel.mbconfig 中:

SentimentModel.zip: 该文件是经过训练的 ML.NET 模型，它是一个序列化的 zip 文件。
SentimentModel.consumption.cs: 此文件包含模型输入和输出类以及可用于模型消耗的 Predict 方法。
SentimentModel.training.cs: 此文件包含用于训练最终模型的训练管道(数据转换、算法和算法参数)。

在 Model Builder 的 Consume 步骤中，提供了一个代码片段，用于为模型创建样本输入并使用模型对该输入进行预测。

Model Builder 还提供了项目模板，可以选择将其添加到解决方案中。有两个项目模板(一个控制台应用和一个 Web API)使用经过训练的模型。

八、使用模型

最后一步是在最终用户应用程序中使用经过训练的模型。

1、在 MLApp 项目 Program.cs 的 void Main(string[] args) 加入以下代码：

// 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}");

2、运行 MLApp (选择“Ctrl+F5”或“调试”>“在不调试的情况下启动”)。应看到以下输出，内容为预测输入语句是正的还是负的。

特殊说明：如果训练完成后（三个文件），无法识别C#代码文件，则在第七个环节（七、生成代码）Console App 添加到解决方案进行测试。

// This file was auto-generated by ML.NET Model Builder. 

using System;

namespace SentimentModel_ConsoleApp
{
    class Program
    {
        static void Main(string[] args)
        {
            // Create single instance of sample data from first line of dataset for model input
            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.Prediction}\n\n");
            Console.WriteLine("=============== End of process, hit any key to finish ===============");
            Console.ReadKey();
        }
    }
}

发表回复 取消回复

发表回复取消回复