在上一篇文章中，我們介紹了 .NET Interactive Notbook，可以進(jìn)行代碼實(shí)時(shí)運(yùn)行和交互式展示。

這對(duì)于ML.NET來說非常棒，可以運(yùn)用到許多場(chǎng)景，比如數(shù)據(jù)探索、繪制數(shù)據(jù)圖表、編制教學(xué)課件等。

下面，我們就用出租車費(fèi)預(yù)測(cè)（https://github.com/feiyun0112/machinelearning-samples.zh-cn/tree/master/samples/csharp/getting-started/Regression_TaxiFarePrediction）來進(jìn)行演示。

1.創(chuàng)建Notebook

首先，VS Code需要安裝“.NET Interactive Notebooks”擴(kuò)展。

新建文件，編程語言選擇“.NET Interactive”，保存文件名后綴為“.ipynb”。

添加Markdown標(biāo)記，說明一下這個(gè)機(jī)器學(xué)習(xí)任務(wù)要解決的問題場(chǎng)景。

完成編輯后，可以自動(dòng)顯示Markdown標(biāo)記結(jié)果:

2.安裝Nuget包

引用后面需要使用的NuGet包，這里，我們將使用ML.NET進(jìn)行機(jī)器學(xué)習(xí)和XPlot繪制圖表。

運(yùn)行代碼，下載和安裝NuGet包。

可以看到，安裝時(shí)間還是比較長(zhǎng)的，所以可以放在單獨(dú)的代碼塊提前運(yùn)行。

3.定義DataStructures

定義加載數(shù)據(jù)以及訓(xùn)練或預(yù)測(cè)時(shí)，需要使用輸入類和預(yù)測(cè)類，代碼如下：

?public?class?TaxiTrip {[LoadColumn(0)]public?string?VendorId;[LoadColumn(1)]public?string?RateCode;[LoadColumn(2)]public?float?PassengerCount;[LoadColumn(3)]public?float?TripTime;[LoadColumn(4)]public?float?TripDistance;[LoadColumn(5)]public?string?PaymentType;[LoadColumn(6)]public?float?FareAmount; }

4.加載數(shù)據(jù)

加載訓(xùn)練和測(cè)試數(shù)據(jù)集，文件放在Notebook同一目錄下：

MLContext?mlContext?=?new?MLContext(seed:?0);string?TrainDataPath?=?"./taxi-fare-train.csv"; string?TestDataPath?=?"./taxi-fare-test.csv"; IDataView?baseTrainingDataView?=?mlContext.Data.LoadFromTextFile<TaxiTrip>(TrainDataPath,?hasHeader:?true,?separatorChar:?','); IDataView?testDataView?=?mlContext.Data.LoadFromTextFile<TaxiTrip>(TestDataPath,?hasHeader:?true,?separatorChar:?',');IDataView?trainingDataView?=?mlContext.Data.FilterRowsByColumn(baseTrainingDataView,?nameof(TaxiTrip.FareAmount),?lowerBound:?1,?upperBound:?150); display(h4("展示訓(xùn)練數(shù)據(jù):")); var?someRows?=?mlContext.Data.CreateEnumerable<TaxiTrip>(trainingDataView,?reuseRowObject:?false).Take(4).ToArray(); display(someRows);

我們篩選了出租車票金額在1-150之間的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，并用內(nèi)置函數(shù)display展示4行訓(xùn)練數(shù)據(jù)內(nèi)容：?

5.圖形化展示數(shù)據(jù)

圖形方式能讓我們更好地理解數(shù)據(jù),選取100條訓(xùn)練數(shù)據(jù)，看看費(fèi)用的分布情況：

var?faresHistogram?=?Chart.Plot(new?Histogram()?{?x?=?trainingDataView.GetColumn<float>("FareAmount").Take(100).ToArray(),?autobinx?=?false,?nbinsx?=?20?}); var?layout?=?new?Layout.Layout()?{?title?=?"出租車費(fèi)分布"?}; faresHistogram.WithLayout(layout); faresHistogram.WithXTitle("費(fèi)用范圍"); faresHistogram.WithYTitle("出行數(shù)");display(faresHistogram)

可以看到費(fèi)用大多數(shù)在5-10之間，?

6.訓(xùn)練模型

現(xiàn)在，讓我們真正開始執(zhí)行機(jī)器學(xué)習(xí)。我們將首先處理數(shù)據(jù)轉(zhuǎn)換，然后添加訓(xùn)練器/算法，最后訓(xùn)練模型。

在執(zhí)行窗口底部可以看到，訓(xùn)練速度還是比較快的，在我的機(jī)器上只需要1.7秒。

7.評(píng)估模型

我們需要這一步來總結(jié)我們的模型對(duì)新數(shù)據(jù)的準(zhǔn)確性。為此，上一步中的模型針對(duì)另一個(gè)未在訓(xùn)練中使用的數(shù)據(jù)集運(yùn)行（taxi-fare-test.csv）。此數(shù)據(jù)集也包含已知的費(fèi)用。Regression.Evaluate()計(jì)算已知費(fèi)用和模型預(yù)測(cè)的費(fèi)用之間差異的各種指標(biāo)。

IDataView?predictions?=?trainedModel.Transform(testDataView); var?metrics?=?mlContext.Regression.Evaluate(predictions,?labelColumnName:?"Label",?scoreColumnName:?"Score");display(metrics)

6.繪制對(duì)比圖

最后，我們繪制預(yù)測(cè)與實(shí)際值的對(duì)比圖。如果回歸模型工作得很好，那么這些點(diǎn)大部分應(yīng)該是圍繞著一條直線的，這條直線就是回歸線。

回歸線越接近“完美”（預(yù)測(cè)值等于測(cè)試數(shù)據(jù)集中的實(shí)際值），模型的質(zhì)量就越好。

結(jié)論

后面的保存和使用模型，我們就不再演示了，請(qǐng)大家自行探索。

通過上面的示例，可以看到非常棒的交互體驗(yàn)。歡迎大家繼續(xù)挖掘.NET Interactive的潛力，玩轉(zhuǎn)交互式機(jī)器學(xué)習(xí)！！！

歡迎關(guān)注我的個(gè)人公眾號(hào)”My IO“

總結(jié)

以上是生活随笔為你收集整理的VS Code + ML.NET 玩转交互式机器学习的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

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