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("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($"Root Mean Squared Error: {metrics.RootMeanSquaredError}");
// 使用模型进行预测
var predictionFunction = mlContext.Model.CreatePredictionEngine(model);
var newStudent = new StudentData { StudyHours = 6 };
var predictedScore = predictionFunction.Predict(newStudent);
Console.WriteLine($"Predicted Score for 6 hours of study: {predictedScore.Score}");
运行项目, 将训练模型并预测一个学习了 6 小时的学生的考试成绩。
总结
上面演示了如何使用 ML.NET 来构建一个机器学习模型。可以根据需要扩展这个示例，处理更多复杂的任务（例如分类、聚类、深度学习等）。
ML.NET 提供了许多有用的功能，包括：
