使用 ML.NET CLI 自動化模型定型

  • 發行項

ML.NET CLI 會將 .NET 開發人員的模型產生自動化。

若要使用 ML.NET API 本身 (不利用 ML.NET AutoML CLI)，您需要選擇定型器 (實作特定工作的機器學習演算法) 以及要套用至資料的一組資料轉換 (特徵工程)。 每個資料集的最佳管道各有不同，而從所有的選項中選取最佳演算法會增加複雜性。 更進一步，每個演算法都有一組要微調的超參數。 因此，您可以花費數週或數月來最佳化機器學習模型，嘗試尋找特徵工程、學習演算法和超參數的最佳組合。

ML.NET CLI 會使用自動化機器學習 (AutoML) 來簡化流程。

注意

本文參考的是 ML.NET CLI 和 ML.NET AutoML，它們目前為公開預覽版，因此内容可能會有變更。

什麼是 ML.NET 命令列介面 (CLI)？

ML.NET CLI 是 .NET 工具。 安裝完成後，您可以將機器學習工作和定型資料集提供給此工具，它會產生 ML.NET 模型，並執行 C# 程式碼以在應用程式中使用模型。

如下圖所示，可以輕鬆產生高品質的 ML.NET 模型 (序列化模型 .zip 檔案) 以及執行/評分該模型的範例 C# 程式碼。 此外，也產生建立/定型模型的 C# 程式碼，以便您可以研究並重覆所產生「最佳模型」使用的演算法和設定。

在 ML.NET CLI 內工作的 AutoML 引擎

您可以從自己的資料集產生這些資產，不用自行撰寫程式碼，因此即使您已熟悉 ML.NET，也能提升生產力。

ML.NET CLI 目前支援的 ML 工作如下：

  • 分類
  • 迴歸
  • 建議
  • 影像分類
  • 預測
  • train

您可以使用下列命令，根據您的作業系統及其結構來安裝 ML.NET CLI：

dotnet tool install --global mlnet-<OS>-<ARCH>

例如，可以用以下方式安裝 x64 版本的 Windows：

dotnet tool install --global mlnet-win-x64

如需詳細資訊，請參閱安裝 ML.NET CLI 操作指南。

使用方式範例 (分類案例)：

mlnet classification --dataset "yelp_labelled.txt" --label-col 1 --has-header false --train-time 10

從命令列進行 ML.NET 分類

您可以用同樣的方式在 Windows PowerShell、macOS/Linux bash 或 Windows CMD 上執行此工具。 不過，表格式自動完成 (參數建議) 不適用於 Windows CMD。

產生的輸出資產

CLI 中的 ML 工作命令會在輸出資料夾中產生下列資產：

  • 序列化模型 .zip (「最佳模型」) 準備好用於執行預測。
  • C# 解決方案具有：
    • C# 程式碼，執行/評分產生的模型 (使用該模型以您的終端使用者應用程式建立預測)。
    • C# 程式碼和定型程式碼，用來產生該模型 (適用於學習目的或重新定型模型)。
  • 記錄檔，具有多個已評估之演算法所有反覆項目/清除的資訊，包括其詳細的組態/管線。

前兩項資產可以直接用於終端使用者應用程式 (例如，ASP.NET Core Web 應用程式、服務及桌面應用程式)，使用產生的 ML 模型建立預測。

第三項資產，即定型程式碼，會向您顯示 CLI 已使用哪些 ML.NET API 程式碼來定型產生的模型，讓您可以重新定型模型，以及調查和逐一查看 CLI 和 AutoML 在幕後選取了哪些特定的定型器/演算法和超參數。

了解模型的品質

在您使用 CLI 工具產生「最佳模型」後，您會看到適合您目標 ML 工作的品質計量，例如正確性和 R 平方)。

在此為依 ML 工作分組的計量進行摘要，以便您了解自動產生的「最佳模型」品質。

分類模型的計量

下圖顯示 CLI 找到的前五個最佳模型的分類計量清單：

前五名模型的分類計量

正確性是分類問題的熱門計量，但如以下參考所述，正確性不一定總是選取最佳模型的最佳計量。 在某些情況下，您需要評估模型品質和其他計量。

若要探索及瞭解 CLI 輸出的計量，請參閱分類的評估計量。

迴歸與建議模型的計量

如果觀察到的值和模型預測值之間差異很小且非偏誤，則迴歸模型非常適合這種資料。 可以使用特定計量評估迴歸。

您會看到 CLI 找到的前五個品質最佳模型計量清單，不過在此案例中，五個最佳模型與回歸 ML 工作有相關：

前五名模型的迴歸計量

若要探索及瞭解 CLI 輸出的計量，請參閱廻歸的評估計量。

另請參閱