在上一篇文章中，我们介绍了 .NET Interactive Notbook，可以进行代码实时运行和交互式展示。

这对于ML.NET来说非常棒，可以运用到许多场景，比如数据探索、绘制数据图表、编制教学课件等。

下面，我们就用出租车费预测（https://github.com/feiyun0112/machinelearning-samples.zh-cn/tree/master/samples/csharp/getting-started/Regression_TaxiFarePrediction）来进行演示。

1.创建Notebook

首先，VS Code需要安装“.NET Interactive Notebooks”扩展。

新建文件，编程语言选择“.NET Interactive”，保存文件名后缀为“.ipynb”。

添加Markdown标记，说明一下这个机器学习任务要解决的问题场景。

完成编辑后，可以自动显示Markdown标记结果:

2.安装Nuget包

引用后面需要使用的NuGet包，这里，我们将使用ML.NET进行机器学习和XPlot绘制图表。

运行代码，下载和安装NuGet包。

可以看到，安装时间还是比较长的，所以可以放在单独的代码块提前运行。

3.定义DataStructures

定义加载数据以及训练或预测时，需要使用输入类和预测类，代码如下：

 public class TaxiTrip
{
    [LoadColumn(0)]
    public string VendorId;

    [LoadColumn(1)]
    public string RateCode;

    [LoadColumn(2)]
    public float PassengerCount;

    [LoadColumn(3)]
    public float TripTime;

    [LoadColumn(4)]
    public float TripDistance;

    [LoadColumn(5)]
    public string PaymentType;

    [LoadColumn(6)]
    public float FareAmount;
}

4.加载数据

加载训练和测试数据集，文件放在Notebook同一目录下：

MLContext mlContext = new MLContext(seed: 0);

string TrainDataPath = "./taxi-fare-train.csv";
string TestDataPath = "./taxi-fare-test.csv";
IDataView baseTrainingDataView = mlContext.Data.LoadFromTextFile(TrainDataPath, hasHeader: true, separatorChar: ',');
IDataView testDataView = mlContext.Data.LoadFromTextFile(TestDataPath, hasHeader: true, separatorChar: ',');

IDataView trainingDataView = mlContext.Data.FilterRowsByColumn(baseTrainingDataView, nameof(TaxiTrip.FareAmount), lowerBound: 1, upperBound: 150);
display(h4("展示训练数据:"));
var someRows = mlContext.Data
    .CreateEnumerable(trainingDataView, reuseRowObject: false)
    .Take(4).ToArray();
display(someRows);

我们筛选了出租车票金额在1-150之间的数据作为训练数据，并用内置函数display展示4行训练数据内容：

5.图形化展示数据

图形方式能让我们更好地理解数据,选取100条训练数据，看看费用的分布情况：

var faresHistogram = Chart.Plot(new Histogram() { x = trainingDataView.GetColumn<float>("FareAmount").Take(100).ToArray(), autobinx = false, nbinsx = 20 });
var layout = new Layout.Layout() { title = "出租车费分布" };
faresHistogram.WithLayout(layout);
faresHistogram.WithXTitle("费用范围");
faresHistogram.WithYTitle("出行数");

display(faresHistogram)

可以看到费用大多数在5-10之间，

6.训练模型

现在，让我们真正开始执行机器学习。我们将首先处理数据转换，然后添加训练器/算法，最后训练模型。

在执行窗口底部可以看到，训练速度还是比较快的，在我的机器上只需要1.7秒。

7.评估模型

我们需要这一步来总结我们的模型对新数据的准确性。为此，上一步中的模型针对另一个未在训练中使用的数据集运行（taxi-fare-test.csv）。此数据集也包含已知的费用。Regression.Evaluate()计算已知费用和模型预测的费用之间差异的各种指标。

IDataView predictions = trainedModel.Transform(testDataView);
var metrics = mlContext.Regression.Evaluate(predictions, labelColumnName: "Label", scoreColumnName: "Score");display(metrics)