ML.NET是一个开源的.NET机器学习库，它为.NET开发者提供了一个与机器学习库之间的桥梁。本文将介绍如何在Visual Studio2017中使用ML.NET库来解决一个简单的二分类问题。
假设有两个点（在二维空间中）的集合，分别是红色和蓝色，目标是根据这些点的坐标（x和y）来预测一个点是属于红色组还是蓝色组。训练数据可能如下所示：
3 -2 红色 -2 3 红色 -1 -4 红色 2 3 红色 3 4 红色 -1 9 蓝色 2 14 蓝色 1 17 蓝色 3 12 蓝色 0 8 蓝色
有十个点。每一行的前两个值是每个点的坐标（x和y），第三个值是该点所属的组。因为只有两个输出，即蓝色或红色，所以问题是一个二分类问题。有许多不同的机器学习技术可以解决二分类问题，本文将使用逻辑回归，因为它是最简单的机器学习算法。
为了简单起见，将创建一个名为MyFirstMLDOTNET的控制台应用程序C#（.NET Framework）。在解决方案资源管理器窗口中，将Program.cs重命名为MyFirstMLDOTNET.cs：
可以通过右键单击MyFirstMLDOTNET项目并选择“管理NuGet包”来安装ML.NET：
在NuGet窗口中，选择浏览标签页，并在搜索字段中输入'ML.NET'。最后，选择Microsoft.ML并点击安装按钮：
点击预览更改，然后点击“接受”许可证接受。几秒钟后，Visual Studio将在输出窗口中显示一条消息。
此时，如果尝试运行应用程序，可能会得到以下错误消息：
通过右键单击MyFirstMLDOTNET项目并选择属性来解决此错误。在属性窗口中，在左侧选择构建项，并将平台目标项中的Any CPU更改为x64：
还需要选择.NET Framework的4.7版本（或更高版本），因为会在早期版本中遇到一些错误。可以通过在左侧选择应用程序项并选择目标框架项中的版本来选择.NET Framework的版本。如果没有4.7版本（或更高版本），可以选择安装其他框架，将被重定向到Microsoft页面下载并安装.NET Framework包：
到目前为止，可以尝试再次运行应用程序，它是成功的。
在创建机器学习模型之前，必须通过右键单击MyFirstMLDOTNET项目并选择“添加”>“新建项”，选择文本文件类型，并在名称字段中输入myMLData.txt来创建训练数据文件：
点击“添加”按钮。在myMLData.txt窗口中，输入（或复制上面的）训练数据：
3 -2 红色 -2 3 红色 -1 -4 红色 2 3 红色 3 4 红色 -1 9 蓝色 2 14 蓝色 1 17 蓝色 3 12 蓝色 0 8 蓝色
点击“保存”并关闭myMLData.txt窗口。
创建训练数据文件后，还需要创建数据类。一个名为myData的类定义了训练数据的结构（两个坐标（x和y）和一个标签（红色或蓝色））：
public class myData
{
[Column(ordinal: "0", name: "XCoord")]
public float x;
[Column(ordinal: "1", name: "YCoord")]
public float y;
[Column(ordinal: "2", name: "Label")]
public string Label;
}
一个名为myPrediction的类保存预测信息：
public class myPrediction
{
[ColumnName("PredictedLabel")]
public string PredictedLabels;
}
可以创建机器学习模型并训练它：
var pipeline = new LearningPipeline();
string dataPath = "..\\..\\myMLData.txt";
pipeline.Add(new TextLoader(dataPath).CreateFrom<myData>(separator: ','));
pipeline.Add(new Dictionarizer("Label"));
pipeline.Add(new ColumnConcatenator("Features", "XCoord", "YCoord"));
pipeline.Add(new LogisticRegressionBinaryClassifier());
pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" });
Console.WriteLine("\nStarting training \n");
var model = pipeline.Train<myData, myPrediction>();
可以这样评估机器学习模型：
var testData = new TextLoader(dataPath).CreateFrom<myData>(separator: ',');
var evaluator = new BinaryClassificationEvaluator();
var metrics = evaluator.Evaluate(model, testData);
double acc = metrics.Accuracy * 100;
Console.WriteLine("Model accuracy = " + acc.ToString("F2") + "%");
最后，可以用一个新的点来测试模型：
myData newPoint = new myData() { x = 5f, y = -7f };
myPrediction prediction = model.Predict(newPoint);
string result = prediction.PredictedLabels;
Console.WriteLine("Prediction = " + result);
using System;
using Microsoft.ML.Runtime.Api;
using System.Threading.Tasks;
using Microsoft.ML.Legacy;
using Microsoft.ML.Legacy.Data;
using Microsoft.ML.Legacy.Transforms;
using Microsoft.ML.Legacy.Trainers;
using Microsoft.ML.Legacy.Models;
namespace MyFirstMLDOTNET
{
class MyFirstMLDOTNET
{
public class myData
{
[Column(ordinal: "0", name: "XCoord")]
public float x;
[Column(ordinal: "1", name: "YCoord")]
public float y;
[Column(ordinal: "2", name: "Label")]
public string Label;
}
public class myPrediction
{
[ColumnName("PredictedLabel")]
public string PredictedLabels;
}
static void Main(string[] args)
{
var pipeline = new LearningPipeline();
string dataPath = "..\\..\\myMLData.txt";
pipeline.Add(new TextLoader(dataPath).CreateFrom<myData>(separator: ','));
pipeline.Add(new Dictionarizer("Label"));
pipeline.Add(new ColumnConcatenator("Features", "XCoord", "YCoord"));
pipeline.Add(new LogisticRegressionBinaryClassifier());
pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" });
Console.WriteLine("\nStarting training \n");
var model = pipeline.Train<myData, myPrediction>();
var testData = new TextLoader(dataPath).CreateFrom<myData>(separator: ',');
var evaluator = new BinaryClassificationEvaluator();
var metrics = evaluator.Evaluate(model, testData);
double acc = metrics.Accuracy * 100;
Console.WriteLine("Model accuracy = " + acc.ToString("F2") + "%");
myData newPoint = new myData() { x = 5f, y = -7f };
myPrediction prediction = model.Predict(newPoint);
string result = prediction.PredictedLabels;
Console.WriteLine("Prediction = " + result);
Console.WriteLine("\nEnd ML.NET demo");
Console.ReadLine();
}
}
}