做什么
随着机器学习热度逐渐上升，为了提高自身竞争力，有必要掌握一些机器学习的知识。关于机器学习的概念，各种神经网络的介绍这里就不做具体介绍了，后期看情况是否写个关于机器学习的知识普及篇。
这篇文章主要是讲如果通过微软提供的机器学习框架，通过C#语言写一个情感分析的小程序。
主要功能为：预测用户输入的英文是否为负面的，准确度肯定不好，但主要是抛砖引玉。
训练数据：250条维基百科评论（wikipedia detox）wikipedia-detox-250-line-data.tsv
训练数据
数据标注：第一列是0和1，0表示非负面情绪，1表示负面情绪，第二列是用户评论
大概流程：给机器输入250条评论，机器通过学习，生成模型，然后评估模型，最后输入自定义的一句英文评论，机器输出0或1
开发环境准备
1.安装Visual Studio 2017 15.9.12 or更高版本，作者安装的是2019最新版的，安装的时候记得安装.NetCore相关功能，具体怎么安装勾选相关功能直接下一步即可。
2.安装ML.net模型构建器（ML.NET Model Builder tool），微软官方下载地址，下载以后直接双击安装即可。安装的时候记得把Visual Studio关闭。也可以通过Visual Studio中的扩展功能里安装，如下图：
ML.NET Model Builder tool
安装ML.Net扩展工具
安装ML.Net扩展工具
注：扩展工具下载比较慢，可以下载我上传到百度网盘的包
链接：https://pan.baidu.com/s/1x5VhyFJzdj3CC04zrUev_Q
提取码：vqbq
创建项目
新建一个.NetCore的控制台应用程序，给项目起名ML001，步骤如下：
1.新建一个.Net Core 控制台项目
2.给项目起名ML001
右键ML001项目，添加一个Machine Learning，如下图：
新建ML
选择模型
在新打开的页面我们选择一个机器学习模型，当前微软一共给我们提供了5个模型，教程中采用的是第一个Sentiment Analysis，该模型将数据分成2个类别，比较适合舆情分析系统，判断一段文字是正面的还是负面的。
Scenario
添加训练数据
训练数据我们用的是250条维基百科的评论，如果想提高模型的准确度，训练数据越多越好。
下载地址：wikipedia-detox-250-line-data.tsv
训练数据可以从文件或者Sqlserver数据库中导入，教程中我们选择File，然后依次选择我们下载的训练数据，Colume to predict 选择预测结果字段，Input Colume 选择默认，然后选择Train
数据准备
训练模型
填写要训练的时间（单位秒）然后点Start training就可以了，如果训练数据非常多，训练时间也需要相应的增加，同时模型会帮我们选择最优的训练结果的
训练
训练结果如下
训练结果
注：
Status - 这将显示模型培训过程的状态；这将告诉您培训过程还剩多少时间，还将告诉您培训过程何时完成。
Best accuracy - 显示模型生成器迄今为止找到的最佳模型的准确性。较高的精度意味着模型对试验数据的预测更准确。
Best algorithm - 这向您展示了在ModelBuilder的探索过程中，哪种算法执行得最好。
然后点击Evaluate
评估模型
在ModelBuilder训练并选择了最佳模型之后，您可以转到Evaluate步骤，该步骤向您显示各种输出（例如性能最佳的算法、探索了多少个模型以及ML任务（在本例中是二进制分类），并允许您在UI中试用该模型。
您可以在概述和详细信息之间切换，以查看有关培训课程和探索的顶级模型（最多5个）的更多信息，包括每个顶级模型的多个评估指标。
模型评估
模型评估
可以在“Try your model”部分中对样本输入进行预测。文本框预先填充了数据集的第一行数据，但是我们可以更改输入并点击Predict来尝试不同的情绪预测。
模型评估完毕以后选择code
code
在code页面我们选择Add Projects
code
之后我们会看到解决方案里增加了2个项目
ML001ML.ConsoleApp: .NET 控制台应用程序，包括了ModelBuilder.cs (创建和训练模型) 和Program.cs (程序入口)。
ML001ML.Model :.NET Standard类库， 包括了ModelInput.cs 和ModelOutput.cs (模型输入和输出相关), ConsumeModel.cs(模型预测相关方法), 和MLModel.zip(训练的模型)。
应用
模型训练好以后，就可以开始应用了。打开我们一开始创建的.NetCore 控制台应用中的Program.cs，
然后输入如下代码：记得添加ML001ML.Model引用
using ML001ML.Model;
using System;
namespace ML001
{
class Program
{
static void Main(string[] args)
{
while (true)
{
Console.WriteLine("请输入一句英文进行预测");
//定义输入
var input = new ModelInput();
//获取用户输入
string userInput = Console.ReadLine();
input.SentimentText = userInput;
// 加载模型，输出预测结果。
ModelOutput result = ConsumeModel.Predict(input);
Console.WriteLine($"用户输入: {input.SentimentText}\n预测结果: {result.Prediction}");
}
}
}
}
测试结果
应该是训练数据不足，本身是正面的话却预测成负面的了。
实际结果
OK，就写这么多了，如果文章对你有帮助，就给个免费的赞吧！
网友评论