ML.NET tutorial - the first application in 10 minutes

Last year, we introduced ML.NET, a cross-platform and open machine learning system for .NET developers. During this time, she has developed very much and has gone through many versions. Today we are sharing a guide on how to create your first ml.net application in 10 minutes.



* This is an English manual .

** Below is a tutorial for Windows. But exactly the same can be done on MacOS / Linux .

Install .NET SDK

To start creating .NET applications, you just need to download and install the .NET SDK (Software Development Kit).

Create your application

Open a command prompt and run the following commands:

dotnet new console -o myApp cd myApp 

The dotnet command will create for you a new console type application. The -o myApp creates a directory called myApp in which your application is stored, and fills it with the necessary files. The cd myApp command will return you to the newly created application directory.

Install ML.NET package

To use ML.NET, you need to install the Microsoft.ML package. At the command prompt, run the following command:

 dotnet add package Microsoft.ML --version 0.9.0 

Download DB

Our exemplary machine learning application will predict the type of iris flower (setosa, versicolor or virginica) based on four characteristics: petal length, petal width, sepal length, and sepal width.

Open the UCI machine learning repository: Iris dataset, copy and paste the data into a text editor (for example, Notepad) and save it as iris-data.txt in the myApp directory.

When you add data, it will look like this: each row represents a different pattern of an iris flower. From left to right, the columns represent: the length of the sepal, the width of the sepal, the length of the petal, the width of the petal, and the type of iris flower.

 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa ... 

Using Visual Studio?

If you are using Visual Studio, you need to configure iris-data.txt to copy to output directories.

A little bit of cod

Open Program.cs in any text editor and replace the entire code with the following:

 using Microsoft.ML; using Microsoft.ML.Data; using System; namespace myApp { class Program { // Шаг 1: Определите ваши структуры данных // IrisData используется для предоставления обучающих данных, а также // как введение для предиктивных операций // - Первые 4 свойства -- это входные данные / функции, используемые для прогнозирования метки label // - Label -- это то, что вы предсказываете, и устанавливается только при обучении public class IrisData { [LoadColumn(0)] public float SepalLength; [LoadColumn(1)] public float SepalWidth; [LoadColumn(2)] public float PetalLength; [LoadColumn(3)] public float PetalWidth; [LoadColumn(4)] public string Label; } // IrisPrediction является результатом, возвращенным из операций прогнозирования public class IrisPrediction { [ColumnName("PredictedLabel")] public string PredictedLabels; } static void Main(string[] args) { // Шаг 2: создание среды ML.NET var mlContext = new MLContext(); // Если работаете в Visual Studio, убедитесь, что параметр 'Copy to Output Directory' // iris-data.txt установлен как 'Copy always' var reader = mlContext.Data.CreateTextReader<IrisData>(separatorChar: ',', hasHeader: true); IDataView trainingDataView = reader.Read("iris-data.txt"); // Шаг 3: Преобразуйте свои данные и добавьте learner // Присвойте числовые значения тексту в столбце «label», потому что только // числа могут быть обработаны во время обучения модели. // Добавьте обучающий алгоритм в pipeline. Например (What type of iris is this?) // Преобразовать label обратно в исходный текст (после преобразования в число на шаге 3) var pipeline = mlContext.Transforms.Conversion.MapValueToKey("Label") .Append(mlContext.Transforms.Concatenate("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")) .Append(mlContext.MulticlassClassification.Trainers.StochasticDualCoordinateAscent(labelColumn: "Label", featureColumn: "Features")) .Append(mlContext.Transforms.Conversion.MapKeyToValue("PredictedLabel")); // Шаг 4: обучите модель на этом дата-сете var model = pipeline.Fit(trainingDataView); // Шаг 5: используйте модель для предсказания // Вы можете изменить эти цифры, чтобы проверить разные прогнозы var prediction = model.CreatePredictionEngine<IrisData, IrisPrediction>(mlContext).Predict( new IrisData() { SepalLength = 3.3f, SepalWidth = 1.6f, PetalLength = 0.2f, PetalWidth = 5.1f, }); Console.WriteLine($"Predicted flower type is: {prediction.PredictedLabels}"); } } } 

Run your application

At the command prompt, run the following command:

 dotnet run 

The last line of output is the predicted type of iris flower. You can change the values ​​passed to the Predict function to see predictions based on various measurements.

Congratulations, you created your first machine learning model with ML.NET!

Do not stop there

Now that you have the basics, you can continue your studies with our ML.NET tutorials.