我們很高興宣布推出ML.NET 0.7--面向.NET開(kāi)發(fā)人員的最新版本的跨平臺(tái)和開(kāi)源機(jī)器學(xué)習(xí)框架（ML.NET 0.1發(fā)布于// Build 2018）。此版本側(cè)重于為基于推薦的ML任務(wù)提供更好的支持，實(shí)現(xiàn)異常檢測(cè)，增強(qiáng)機(jī)器學(xué)習(xí)管道的可定制性，支持在x86應(yīng)用程序中使用ML.NET等。

本文提供了有關(guān)ML.NET 0.7版本中以下主題的詳細(xì)信息：

• 使用Matrix Factorization增強(qiáng)對(duì)推薦任務(wù)的支持
• 啟用異常檢測(cè)方案 - 檢測(cè)異常度
• 改進(jìn)了ML管道的可定制性
• x86支持
• NimbusML - ML.NET的實(shí)驗(yàn)性Python綁定

使用Matrix Factorization增強(qiáng)對(duì)推薦任務(wù)的支持

?

推薦系統(tǒng)可以為目錄，歌曲，電影等中的產(chǎn)品生成推薦列表。我們通過(guò)添加矩陣分解（MF）改進(jìn)了對(duì)在ML.NET中創(chuàng)建推薦系統(tǒng)的支持，當(dāng)您獲得有關(guān)用戶(hù)如何評(píng)價(jià)目錄中項(xiàng)目的數(shù)據(jù)時(shí)，這是推薦的常用方法。例如，您可能知道用戶(hù)如何評(píng)價(jià)某些電影，并希望推薦下一部他們可能觀看的其他電影。

我們將MF添加到ML.NET，因?yàn)樗ǔ１菷ield-Aware Factorization Machines（我們?cè)贛L.NET 0.3中添加）明顯更快，并且它可以支持連續(xù)數(shù)字等級(jí)（例如1-5星）而不是布爾值的等級(jí)（“喜歡”或“不喜歡”）。即使我們剛剛添加了MF，如果您想利用用戶(hù)分配給項(xiàng)目的評(píng)級(jí)之外的其他信息（例如電影類(lèi)型，電影發(fā)布日期，用戶(hù)個(gè)人資料），您可能仍然希望使用FFM。可以在此處找到對(duì)差異的更深入討論。

MF的樣品用法可在此處找到。該示例是通用的，但您可以想象矩陣行對(duì)應(yīng)于用戶(hù)，矩陣列對(duì)應(yīng)于電影，矩陣值對(duì)應(yīng)于評(píng)級(jí)。由于用戶(hù)僅對(duì)目錄的一小部分進(jìn)行了評(píng)級(jí)，因此該矩陣將非常稀疏。

ML.NET的MF使用LIBMF。

啟用異常檢測(cè)方案 - 檢測(cè)異常事件

?

異常檢測(cè)可以識(shí)別異常值或事件。它用于欺詐檢測(cè)（識(shí)別可疑信用卡交易）和服務(wù)器監(jiān)控（識(shí)別異常活動(dòng)）等場(chǎng)景。

ML.NET 0.7支持檢測(cè)兩種類(lèi)型的異常行為：

• 棘波檢測(cè)：棘波歸因于輸入數(shù)據(jù)的值臨時(shí)突變。由于中斷，網(wǎng)絡(luò)攻擊，病毒式網(wǎng)絡(luò)內(nèi)容等，這些可能是異常值。
• 變化點(diǎn)檢測(cè)：變化點(diǎn)標(biāo)記數(shù)據(jù)行為中更持久的偏差的開(kāi)始。例如，如果產(chǎn)品銷(xiāo)售相對(duì)一致并且變得更受歡迎（每月銷(xiāo)售額增加一倍），則趨勢(shì)發(fā)生變化時(shí)會(huì)有一個(gè)變化點(diǎn)。

可以使用不同的ML.NET組件在兩種類(lèi)型的數(shù)據(jù)上檢測(cè)到這些異常：

• IidSpikeDetector并IidChangePointDetector用于假定來(lái)自一個(gè)固定分布的數(shù)據(jù)（每個(gè)數(shù)據(jù)點(diǎn)獨(dú)立于先前的數(shù)據(jù)，例如每個(gè)推文的轉(zhuǎn)發(fā)數(shù)量）。
• SsaSpikeDetector并SsaChangePointDetector用于具有季節(jié)/趨勢(shì)組件的數(shù)據(jù)（可能按時(shí)間排序，例如產(chǎn)品銷(xiāo)售）

可以在此處找到使用ML.NET異常檢測(cè)的示例代碼。

改進(jìn)了ML.NET管道的可定制性

?

ML.NET提供各種數(shù)據(jù)轉(zhuǎn)換（例如處理文本，圖像，分類(lèi)功能等）。但是，某些用例需要特定于應(yīng)用程序的轉(zhuǎn)換，例如計(jì)算兩個(gè)文本列之間的余弦相似度。我們現(xiàn)在添加了對(duì)自定義轉(zhuǎn)換的支持，因此您可以輕松地包含自定義業(yè)務(wù)邏輯。

它CustomMappingEstimator允許您編寫(xiě)自己的方法來(lái)處理數(shù)據(jù)并將它們帶入ML.NET管道。這是管道中的樣子：

var estimator = mlContext.Transforms.CustomMapping<MyInput, MyOutput>(MyLambda.MyAction, "MyLambda").Append(...).Append(...)

以下是此自定義映射將執(zhí)行的操作的定義。在此示例中，我們將文本標(biāo)簽（“spam”或“ham”）轉(zhuǎn)換為布爾標(biāo)簽（true或false）。

public class MyInput {public string Label { get; set; } }public class MyOutput {public bool Label { get; set; } }public class MyLambda {[Export("MyLambda")]public ITransformer MyTransformer => ML.Transforms.CustomMappingTransformer<MyInput, MyOutput>(MyAction, "MyLambda");[Import]public MLContext ML { get; set; }public static void MyAction(MyInput input, MyOutput output){output.Label= input.Label == "spam" ? true : false;} }

CustomMappingEstimator可以在此處找到更完整的示例。

除了x64之外還支持x86

?

有了這個(gè)ML.NET版本，您現(xiàn)在可以在x86 / 32位架構(gòu)設(shè)備上訓(xùn)練和使用機(jī)器學(xué)習(xí)模型（目前僅適用于Windows）。以前，ML.NET僅限于x64設(shè)備（Windows，Linux和Mac）。
請(qǐng)注意，某些基于外部依賴(lài)關(guān)系的組件（例如TensorFlow）在x86-Windows中不可用。

NimbusML?-?ML.NET的實(shí)驗(yàn)性Python綁定

NimbusML為ML.NET提供實(shí)驗(yàn)性的Python綁定。我們已經(jīng)看到外部社區(qū)和內(nèi)部團(tuán)隊(duì)對(duì)使用多種編程語(yǔ)言的反饋。我們希望盡可能多的人能夠從ML.NET中受益，并幫助團(tuán)隊(duì)更輕松地協(xié)同工作。ML.NET不僅使數(shù)據(jù)科學(xué)家能夠在Python中訓(xùn)練和使用機(jī)器學(xué)習(xí)模型（也可以在scikit-learn管道中使用組件），而且還可以通過(guò)ML.NET保存可以在.NET應(yīng)用程序中輕松使用的模型。（有關(guān)詳細(xì)信息，請(qǐng)參見(jiàn)此處）。

?

轉(zhuǎn)載于:https://www.cnblogs.com/BeanHsiang/p/9940023.html

總結(jié)

以上是生活随笔為你收集整理的关于ML.NET v0.7的发布说明的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。