网站建设期末总结,贸易公司网站建,品牌策划ppt,网站建设 软件微软在Build 2018大会上推出的一款面向.NET开发人员的开源#xff0c;跨平台机器学习框架ML.NET。 ML.NET将允许.NET开发人员开发他们自己的模型#xff0c;并将自定义ML集成到他们的应用程序中#xff0c;而无需事先掌握开发或调整机器学习模型的专业知识。在采用通用机器学… 微软在Build 2018大会上推出的一款面向.NET开发人员的开源跨平台机器学习框架ML.NET。 ML.NET将允许.NET开发人员开发他们自己的模型并将自定义ML集成到他们的应用程序中而无需事先掌握开发或调整机器学习模型的专业知识。在采用通用机器学习语言如R和Python开发的模型并将它们集成到用C等语言编写的企业应用程序中需要付出相当大的努力。ML.NET填平了机器学习专家和软件开发者之间的差距从而使得机器学习的平民化即使没有机器学习背景的人们能够建立和运行模型。通过为.NET创建高质量的机器学习框架微软已经使得将机器学习转化为企业或通过Xamarin移动应用程序变得更容易。这是一种使机器学习更加可用的形式。使用ML.NET可以解决哪些类型的问题基于微软内部WindowsBing和Azure等主要微软产品使用多年的机器学习构建的库目前处于预览阶段最新版本是0.2 。该框架目前支持的学习模型包括K-Means聚类逻辑回归支持向量机朴素贝叶斯随机森林增强树木其他技术如推荐引擎和异常检测正在开发的路线图上。ML.NET将最终将接口暴露给其他流行的机器学习库如TensorFlowCNTK和Accord.NET。最后还会有一些工具和语言增强功能包括Azure和GUI / Visual Studio功能中的扩展功能。 机器学习 作者周志华 当当 广告 购买 如何在应用程序中使用ML.NETML.NET以NuGet包的形式提供可以轻松安装到新的或现有的.NET应用程序中。该框架采用了用于其他机器学习库如scikit-learn和Apache Spark MLlib的“管道(LearningPipeline)”方法。数据通过多个阶段“传送”以产生有用的结果例如预测。典型的管道可能涉及加载数据转换数据特征提取/工程配置学习模型培训模型使用训练好的模型例如获得预测管道为使用机器学习模型提供了一个标准API。这使得在测试和实验过程中更容易切换一个模型。它还将建模工作分解为定义明确的步骤以便更容易理解现有代码。scikit-learn库实现了很多机器学习算法我们可以多多参考scikit-learn http://sklearn.apachecn.org/cn/0.19.0/index.html ML.NET机器学习管道的核心组件ML数据结构例如IDataViewLearningPipelineTextLoader将数据从分隔文本文件加载到LearningPipeline转换以获得正确格式的数据进行训练处理/特征化文本 TextFeaturizer架构modifcation ColumnConcatenatorColumnSelector和ColumnDropper使用分类特征CategoricalOneHotVectorizer和CategoricalHashOneHotVectorizer处理丢失的数据 MissingValueHandler过滤器RowTakeFilterRowSkipFilterRowRangeFilter特性选择FeatureSelectorByCount和FeatureSelectorByMutualInformation学习算法用于训练机器学习模型用于各种任务二元分类FastTreeBinaryClassifierStochasticDualCoordinateAscentBinaryClassifierAveragedPerceptronBinaryClassifierBinaryLogisticRegressorFastForestBinaryClassifierLinearSvmBinaryClassifier和GeneralizedAdditiveModelBinaryClassifier多类分类StochasticDualCoordinateAscentClassifierLogisticRegressor和NaiveBayesClassifier回归FastTreeRegressorFastTreeTweedieRegressorStochasticDualCoordinateAscentRegressorOrdinaryLeastSquaresRegressorOnlineGradientDescentRegressorPoissonRegressor和GeneralizedAdditiveModelRegressor评估器检查模型的工作情况对于二元分类 BinaryClassificationEvaluator对于多类分类 ClassificationEvaluator对于回归 RegressionEvaluator在构建机器学习模型时首先需要定义您希望通过数据实现的目标。之后您可以针对您的情况选择正确的机器学习任务。以下列表描述了您可以选择的不同机器学习任务以及一些常见用例。二元分类二元分类属于 监督学习用于预测数据的一个实例属于哪些两个类类别任务。分类算法的输入是一组标记示例其中每个标记都是0或1的整数。二进制分类算法的输出是一个分类器您可以使用该分类器来预测新的未标记实例的类。二元分类场景的例子包括将Twitter评论的情绪理解为“积极”或“消极”。诊断患者是否患有某种疾病。决定将电子邮件标记为“垃圾邮件”。如果交易日是上涨日或下跌日手写数字识别语音识别图像识别有关更多信息请参阅Wikipedia上的二元分类 文章。多类分类多元分类属于 监督学习用于预测的数据的实例的类类别的任务。分类算法的输入是一组标记示例。每个标签都是0到k-1之间的整数其中k是类的数量。分类算法的输出是一个分类器您可以使用它来预测新的未标记实例的类。多类分类方案的例子包括确定一只狗的品种为“西伯利亚雪橇犬”“金毛猎犬”“贵宾犬”等。将电影评论理解为“正面”“中性”或“负面”。将酒店评论归类为“位置”“价格”“清洁度”等。有关更多信息请参阅Wikipedia上的多类分类文章。分类步骤设置首先定义问题然后您将以名为Features的数字属性的形式表示您的数据。这对于已经分类的训练数据和将来需要分类的测试数据都是这样做的您将获取训练数据并将其输入分类算法以训练模型将需要分类的新实例或采取测试数据并将其传递给分类器进行分类聚类聚类属于无监督机器学习用于数据的一组实例为包含类似特征的簇的任务。聚类还可用于识别数据集中的关系这些关系可能不是通过浏览或简单观察而在逻辑上得出的。聚类算法的输入和输出取决于所选择的方法。您可以采用分布、质心、连通性或基于密度的方法。ML.NET目前支持使用K-Means聚类的基于质心的方法。聚类场景的例子包括根据酒店选择的习惯和特点了解酒店客人群体。识别客户群和人口统计信息以帮助构建有针对性的广告活动。根据制造指标对库存进行分类。根据房屋类型价值和地理位置确定一组房屋地震震中确定危险区域使用集群将电话塔放在一个新城市中以便所有用户都能获得最佳单一强度聚类设置步骤你会从问题陈述开始问题陈述是需要聚集的数据集然后您将使用功能在该数据集中表示点。这里没有训练这一步不需要学习您直接将数据提供给聚类算法以查找最终的聚类而无需任何训练步骤回归回归是 监督的机器学习用于从一组相关的功能预测标签的值。标签可以具有任何实际价值并且不像分类任务那样来自有限的一组值。回归算法对标签对其相关特征的依赖性进行建模以确定标签随着特征值的变化而如何变化。回归算法的输入是一组具有已知值标签的示例。回归算法的输出是一个函数您可以使用该函数来预测任何新的输入要素集的标注值。回归情景的例子包括根据房屋属性如卧室数量位置或大小预测房价。根据历史数据和当前市场趋势预测未来股价。根据广告预算预测产品的销售情况。异常检测即将推出排名即将推出推荐即将推出原文地址: https://www.cnblogs.com/shanyou/p/9190701.html.NET社区新闻深度好文欢迎访问公众号文章汇总 http://www.csharpkit.com
