杭州网站建设技术支持,做公众号和网站主页的区别,站长工具端口,保定比较好的网站建设公司因为任何ML.NET模型都是一个转换器#xff0c;所以您当然可以使用model.Transform将该模型应用于“数据视图”并以这种方式获得预测。不过#xff0c;更典型的情况是#xff0c;没有我们想要预测的“数据集”#xff0c;而是一次只接收一个样本。例如#xff0c;我们将模型… 因为任何ML.NET模型都是一个转换器所以您当然可以使用model.Transform将该模型应用于“数据视图”并以这种方式获得预测。不过更典型的情况是没有我们想要预测的“数据集”而是一次只接收一个样本。例如我们将模型作为ASP.NET网站的一部分运行并且需要对传入的HTTP请求进行预测。对于这种情况ML.NET提供了一个方便的PredictionEngine组件它基本上是通过预测管道一次运行一个样本。下面是完整的例子。假设我们为著名的Iris预测数据集建立了一个模型// 第一步将数据加载为IDataView。// 检索训练数据。
var trainData mlContext.Data.LoadFromTextFileIrisInput(irisDataPath,// 默认分隔符是tab但数据集使用逗号。separatorChar: ,
);// 创建训练管道。
var pipeline // 将所有特征串联到一列“Features”中。mlContext.Transforms.Concatenate(Features, SepalLength, SepalWidth, PetalLength, PetalWidth)// 请注意标签是文本因此需要将其转换为键。.Append(mlContext.Transforms.Categorical.MapValueToKey(Label), TransformerScope.TrainTest)// 在缓存检查点阶段之后的步骤中将数据缓存在内存中。.AppendCacheCheckpoint(mlContext)// 使用多类SDCA模型预测标签。.Append(mlContext.MulticlassClassification.Trainers.SdcaMaximumEntropy())// 应用从“PredictedLabel”列到字符串值的逆转换。.Append(mlContext.Transforms.Conversion.MapKeyToValue(Data, PredictedLabel));// 训练模型。
var model pipeline.Fit(trainData);
现在为了使用模式理解[1]进行预测我们定义了一对类如下所示private class IrisInput
{// 不幸的是我们仍然需要虚拟的“Label”列。[ColumnName(Label)]public string IgnoredLabel { get; set; }public float SepalLength { get; set; }public float SepalWidth { get; set; }public float PetalLength { get; set; }public float PetalWidth { get; set; }
}private class IrisPrediction
{[ColumnName(Data)]public string PredictedClass { get; set; }
}
预测代码如下所示// 使用该模型进行一次性预测。
// 使预测函数成为对象。请注意平均而言此调用所花费的时间比一个预测长200倍左右因此您可能希望缓存和重用预测函数而不是为每个预测创建一个。
var predictionFunc mlContext.Model.CreatePredictionEngineIrisInput, IrisPrediction(model);// 获得预测。 请记住“预测”不是可重入的。 如果要使用多个线程进行同时预测请确保每个线程都使用自己的PredictionEngine。
var prediction predictionFunc.Predict(new IrisInput
{SepalLength 4.1f,SepalWidth 0.1f,PetalLength 3.2f,PetalWidth 1.4f
});
欢迎关注我的个人公众号”My IO“参考资料[1]模式理解: https://github.com/dotnet/machinelearning/blob/main/docs/code/SchemaComprehension.md
