C# 机器学习入门实战：从零构建你的第一个预测模型

1次阅读

没有评论

共计 1938 个字符，预计需要花费 5 分钟才能阅读完成。

对于.NET 开发者来说，ML.NET 提供了与 C# 生态无缝集成的机器学习能力。相比 Python 的 scikit-learn 或 TensorFlow，它的优势在于：

原生支持.NET 类型系统，无需数据格式转换
与 Visual Studio 深度整合，享受智能提示和调试支持
可直接嵌入现有.NET 应用，避免跨语言调用开销
支持 ONNX 模型互操作，兼顾灵活性

特别适合需要将机器学习快速集成到企业级.NET 应用中的场景，比如：

销售预测模块嵌入 ERP 系统
客户分群功能集成到 CRM
实时异常检测植入 IoT 解决方案

首先通过 NuGet 安装必要包：

// 在 Package Manager Console 运行
Install-Package Microsoft.ML
Install-Package Microsoft.ML.LightGBM

// 定义数据模型
public class HousingData
{[LoadColumn(0)] public float Size;
    [LoadColumn(1)] public int Bedrooms;
    [LoadColumn(2)] public float Price;
}

// 创建 MLContext
var mlContext = new MLContext(seed: 0);

// 加载数据
IDataView data = mlContext.Data.LoadFromTextFile<HousingData>(
    path: "housing.csv",
    hasHeader: true,
    separatorChar: ',');

// 数据清洗示例：过滤异常值
var cleanData = mlContext.Data.FilterRowsByColumn(
    data,
    "Price",
    lowerBound: 50000,
    upperBound: 1000000);

// 构建处理管道
var pipeline = mlContext.Transforms
    .Concatenate("Features", "Size", "Bedrooms")
    .Append(mlContext.Transforms.NormalizeMinMax("Features"));

// 执行转换
ITransformer preprocessor = pipeline.Fit(cleanData);
IDataView transformedData = preprocessor.Transform(cleanData);

// 拆分训练测试集
var trainTestSplit = mlContext.Data.TrainTestSplit(transformedData, testFraction: 0.2);

// 选择算法
var trainer = mlContext.Regression.Trainers.LbfgsPoissonRegression();

// 训练
var model = trainer.Fit(trainTestSplit.TrainSet);

// 预测测试集
var predictions = model.Transform(trainTestSplit.TestSet);

// 计算指标
var metrics = mlContext.Regression.Evaluate(
    predictions,
    labelColumnName: "Price");

Console.WriteLine($"MAE: {metrics.MeanAbsoluteError}");
Console.WriteLine($"R²: {metrics.RSquared}");

当 R²值低于 0.6 时：