我們很高興宣布推出ML.NET 0.7--面向.NET開發人員的最新版本的跨平臺和開源機器學習框架（ML.NET 0.1發布于// Build 2018）。此版本側重于為基于推薦的ML任務提供更好的支持，實現異常檢測，增強機器學習管道的可定制性，支持在x86應用程序中使用ML.NET等。

本文提供了有關ML.NET 0.7版本中以下主題的詳細信息：

• 使用Matrix Factorization增強對推薦任務的支持
• 啟用異常檢測方案 - 檢測異常度
• 改進了ML管道的可定制性
• x86支持
• NimbusML - ML.NET的實驗性Python綁定

使用Matrix Factorization增強對推薦任務的支持

?

推薦系統可以為目錄，歌曲，電影等中的產品生成推薦列表。我們通過添加矩陣分解（MF）改進了對在ML.NET中創建推薦系統的支持，當您獲得有關用戶如何評價目錄中項目的數據時，這是推薦的常用方法。例如，您可能知道用戶如何評價某些電影，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，因為它通常比Field-Aware Factorization Machines（我們在ML.NET 0.3中添加）明顯更快，并且它可以支持連續數字等級（例如1-5星）而不是布爾值的等級（“喜歡”或“不喜歡”）。即使我們剛剛添加了MF，如果您想利用用戶分配給項目的評級之外的其他信息（例如電影類型，電影發布日期，用戶個人資料），您可能仍然希望使用FFM。可以在此處找到對差異的更深入討論。

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應于用戶，矩陣列對應于電影，矩陣值對應于評級。由于用戶僅對目錄的一小部分進行了評級，因此該矩陣將非常稀疏。

ML.NET的MF使用LIBMF。

啟用異常檢測方案 - 檢測異常事件

?

異常檢測可以識別異常值或事件。它用于欺詐檢測（識別可疑信用卡交易）和服務器監控（識別異常活動）等場景。

ML.NET 0.7支持檢測兩種類型的異常行為：

• 棘波檢測：棘波歸因于輸入數據的值臨時突變。由于中斷，網絡攻擊，病毒式網絡內容等，這些可能是異常值。
• 變化點檢測：變化點標記數據行為中更持久的偏差的開始。例如，如果產品銷售相對一致并且變得更受歡迎（每月銷售額增加一倍），則趨勢發生變化時會有一個變化點。

可以使用不同的ML.NET組件在兩種類型的數據上檢測到這些異常：

• IidSpikeDetector并IidChangePointDetector用于假定來自一個固定分布的數據（每個數據點獨立于先前的數據，例如每個推文的轉發數量）。
• SsaSpikeDetector并SsaChangePointDetector用于具有季節/趨勢組件的數據（可能按時間排序，例如產品銷售）

可以在此處找到使用ML.NET異常檢測的示例代碼。

改進了ML.NET管道的可定制性

?

ML.NET提供各種數據轉換（例如處理文本，圖像，分類功能等）。但是，某些用例需要特定于應用程序的轉換，例如計算兩個文本列之間的余弦相似度。我們現在添加了對自定義轉換的支持，因此您可以輕松地包含自定義業務邏輯。

它CustomMappingEstimator允許您編寫自己的方法來處理數據并將它們帶入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行的操作的定義。在此示例中，我們將文本標簽（“spam”或“ham”）轉換為布爾標簽（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ML.NET版本，您現在可以在x86 / 32位架構設備上訓練和使用機器學習模型（目前僅適用于Windows）。以前，ML.NET僅限于x64設備（Windows，Linux和Mac）。
請注意，某些基于外部依賴關系的組件（例如TensorFlow）在x86-Windows中不可用。

NimbusML?-?ML.NET的實驗性Python綁定

NimbusML為ML.NET提供實驗性的Python綁定。我們已經看到外部社區和內部團隊對使用多種編程語言的反饋。我們希望盡可能多的人能夠從ML.NET中受益，并幫助團隊更輕松地協同工作。ML.NET不僅使數據科學家能夠在Python中訓練和使用機器學習模型（也可以在scikit-learn管道中使用組件），而且還可以通過ML.NET保存可以在.NET應用程序中輕松使用的模型。（有關詳細信息，請參見此處）。

?

轉載于:https://www.cnblogs.com/BeanHsiang/p/9940023.html

總結

以上是生活随笔為你收集整理的关于ML.NET v0.7的发布说明的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。