ml.net 예제

학습 모델에서 중요한 부분은 정의할 예측 값입니다. 이 예제에서는 TotalStockQty를 레이블로 설정했습니다. 학습 모델에서는 Column복사기를 사용하여 예측 레이블을 설정해야 합니다. 우리는 우리가 TotalStockQty 및 레이블을 준 Column복사기에서 아래 코드 부분에서 볼 수 있습니다. 이 예제에서는 품질에 너무 많은 영향을 주는 기능을 검색할 수 없습니다. 우리의 의심을 제기 할 수있는 유일한 것은 잔류 설탕 기능과 밀도 기능 사이의 높은 상관 관계입니다. 그러나, 우리는 게임에 두 기능을 두고 우리가 나쁜 결과를 얻을 경우 그들을 제거합니다. 회귀 문제는 수량의 예측이 필요합니다. 즉, 출력은 연속, 실제 값, 일반적으로 정수 또는 부동 점 값입니다.

예를 들어 지난 몇 달 동안의 데이터를 기반으로 회사 주식의 가격을 예측하려고 합니다. 분류 문제는 약간 다릅니다. 그들은 특정 범주로 입력을 분할하려고합니다. 즉, 이 작업의 출력은 불연속입니다. 예를 들어, 우리는 그 차원에서 과일의 클래스를 예측하려고합니다. 이 문서에서는 두 문제 그룹에서 하나의 실제 문제를 고려하고 ML.NET 해결합니다. 다음 조사 중에 나는 종종 동일한 형식을 가진 간단한 데이터 파일로 전환했지만 명확한 긍정적 또는 음수 상관 관계가있는 열과 는 별도로 모든 열과 같은 명백한 예가 있습니다. 일시적으로 이러한 결과를 사용하면 결과를 확인하고 결과 방향이나 일치하지 않는 열과 같은 명백한 것을 놓치지 않을 수 있습니다.

이제 모델이 학습되었으므로 테스트 데이터에서 모델이 얼마나 잘 수행되는지 확인해야 합니다. 이 데이터는 교육 중에 이전에는 볼 수 없었던 데이터입니다. 이 예제에서는 테스트 데이터에 대해 별도의 파일을 사용합니다. 5개의 행만 으로는 많지 않지만 모델에 대한 몇 가지 메트릭을 제공하는 데 사용할 수 있습니다. 몇 달 전에 저는 ML.NET 관한 기사를 연달아 썼습니다. 그 당시 ML.NET 초기 단계에 있었고 0.3 버전을 사용하여 실제 문제를 해결했습니다. 내 예 중 하나는 심지어 공식 ML.NET GitHub에 끝났다. 그러나 Microsoft의 사람들은 버전 0.6에서 전체 ML.NET API를 변경하여 기사를 다소 구식으로 만들기로 결정했습니다. 그 외에도 지난 2개월 동안 .NET Core 3의 두 가지 미리 보기가 있었는데, 이는 곧 출시될 것임을 의미합니다.

사용자 지정 기계 학습 솔루션을 구축하고 .NET 응용 프로그램에 통합하기 위해 오픈 소스 및 플랫폼 간 기계 학습 프레임워크인 ML.NET 사용하는 방법을 알아봅니다. 자습서, 코드 예제, API 참조 및 기타 설명서를 통해 방법을 보여 줄 수 있습니다. ML.NET 분류(예: 텍스트 분류, 감정 분석 지원) 및 회귀(예: 가격 예측)와 같은 기계 학습 작업을 가능하게 합니다. 이 예제의 코드와 데이터를 보다 자세히 검토하려면 GitHub에서 여기에서 사용할 수 있습니다. 회귀 예제와 마찬가지로 이 데이터 집합의 데이터를 처리하는 두 개의 클래스를 만들어야 합니다.