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

共计 2174 个字符，预计需要花费 6 分钟才能阅读完成。

作为 C# 开发者，当你想尝试机器学习时，ML.NET 提供了几个关键优势：

原生集成：直接运行在.NET 运行时上，无需与 Python 生态桥接
性能优化：针对.NET 应用进行了特别优化，特别适合嵌入现有业务系统
生产就绪：强类型 API 设计降低了运行时错误风险
渐进学习：从简单模型开始，逐步扩展到复杂场景

对比 Python 生态，ML.NET 特别适合已经使用.NET 技术栈的团队快速引入机器学习能力，避免了跨语言开发带来的部署复杂度。

安装 Visual Studio 2022+（社区版即可）
创建 Console Application 项目
通过 NuGet 添加以下包：
Microsoft.ML
Microsoft.ML.LightGBM（可选）

// 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
IDataView filteredData = mlContext.Data.FilterRowsByColumn(
    data,
    "Price",
    lowerBound: 50000,
    upperBound: 1000000);

// 构建数据处理管道
var pipeline = mlContext.Transforms.Concatenate(
    "Features", 
    nameof(HousingData.Size), 
    nameof(HousingData.Bedrooms))
    .Append(mlContext.Transforms.NormalizeMinMax("Features"));

// 执行特征转换
ITransformer dataPrepTransformer = pipeline.Fit(filteredData);
IDataView transformedData = dataPrepTransformer.Transform(filteredData);

// 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.Sdca(
    labelColumnName: "Price",
    featureColumnName: "Features");

// 训练模型
ITransformer model = trainer.Fit(trainTestSplit.TrainSet);

// 评估
IDataView predictions = model.Transform(trainTestSplit.TestSet);
var metrics = mlContext.Regression.Evaluate(
    predictions, 
    labelColumnName: "Price",
    scoreColumnName: "Score");

Console.WriteLine($"MAE: {metrics.MeanAbsoluteError}");
Console.WriteLine($"R-squared: {metrics.RSquared}");

欠拟合（训练集和测试集表现都差）：
增加特征数量
尝试更复杂模型
检查数据质量问题
过拟合（训练集表现好但测试集差）：
增加正则化参数
使用交叉验证
简化模型结构

模型序列化：

mlContext.Model.Save(model, data.Schema, "model.zip");

加载预测：

var loadedModel = mlContext.Model.Load("model.zip", out _);
var predictor = mlContext.Model.CreatePredictionEngine<HousingData, PricePrediction>(loadedModel);