标签：ML 模型 学习 算法 NET 进行 数据 评估 决策树
前置工作
要正常使用ML.NET,需要通过NuGet包管理其,引入如下NuGet包(图1,图2):
图1
图2
除此之外,还需要准备数据源,本实例为通过身高,体重判断一个人的身材,数据需要三个字段,即身高,体重,是否身材好,本次文件格式为csv(图3,图4):
图3
图4
具体代码
前置工作准备好后,我们开始具体编码的开发,首先创建输入数据实体类FigureData和,输入数据实体类FigureDatePredicted,其中[LoadColumn(0)] 特性指示该属性对应该条数据中的第几个数据, FigureDatePredicted类需要继承FigureData 便于调试(图5,图6):
图5
图6
然后读取数据,并进行训练(图7)
图7
其中, separatorChar用来分割数据的字符,区分出数据中的不同字段TrainTestSplit(fulldata,testFraction:0.2)用来随机分割数据，分成学习数据和评估用的数据，本次取出20%用作测试。不通过分割，准备两个数据文件,一个用来训练、一个用来评估，也是可行的。
IDataView这个数据集就类似一个表格，它的列（Column）是可以动态增加的，一开始我们通过LoadFromTextFile获得的数据集包括：Height、Weight、Result这几个列，在进行训练之前，还要对这个数据集进行处理，形成符合要求的数据集。
Concatenate这个方法是把多个列，组合成一个列，因为二元分类的机器学习算法只接收一个特征列，所以要把多个特征列（Height、Weight）组合成一个特征列Features（组合的结果应该是个float数组）。
NormalizeMeanVariance是对列进行归一化处理，这里输入列为：Features，输出列为：FeaturesNormalizedByMeanVar。
数据集就绪以后，就要选择学习算法，针对二元分类，本次选择了快速决策树算法FastTree，执行时需要告诉这个算法特征值放在哪个列里面（FeaturesNormalizedByMeanVar），标签值放在哪个列里面（Result）。
链接数据处理管道和算法形成学习管道，将数据集中的数据逐一通过学习管道进行学习，形成机器学习模型。
有了这个模型就可以通过它进行实际应用了。但一般不会现在就使用这个模型，需要先评估一下这个模型，然后把模型保存下来。以后应用时再通过文件读取出模型，然后进行应用，这样就不用等待学习的时间了，通常学习的时间都比较长。
执行完成后,还需要对结果进行评估并保存(图8)
图8
评估的过程就是对测试数据集进行批量转换（Transform），转换过的数据集会多出一个“PredictedLabel”的列，这个就是模型评估的结果，逐条将这个结果和实际结果（Result）进行比较，就最终形成了效果评估数据。
执行中可以打印这个评估结果，查看其成功率，一般成功率大于97%就是比较好的模型了。由于本次的数据比较整齐，所以我们这次评估的成功率为100%。
注意：评估过程不会提升现有的模型能力，只是对现有模型的一种检测。
创建预测引擎的功能和Transform是类似的，不过Transform是处理批量记录，这里只处理一条数据，而且这里的输入输出是实体对象, test是我们要预测的对象，预测后打印出预测结果图(9):
图9
注:本文参考版本较为老旧,最新版本建议使用SdcaLogisticRegression
标签：ML,模型,学习,算法,NET,进行,数据,评估,决策树 来源： https://blog.csdn.net/qq_36646345/article/details/121316779
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。