C# 机器学习：ML.NET 和 Accord.NET 库

C# (.NET) 机器学习：面向开发者的库概览

尽管 Python 仍然是机器学习的王者，但 .NET 生态系统为将 ML 模型集成到企业应用、Web 服务和桌面解决方案中提供了成熟且强大的工具。在本文中，我们将介绍 C# 的三个关键库：ML.NET、Accord.NET 和 TensorFlow.NET。您将了解如何根据任务选择合适的库，并看到代码示例。

1. ML.NET — 微软的原生库

ML.NET 是一个跨平台的开源库，专为 .NET 开发。它允许您在不切换到 Python 的情况下创建、训练和部署机器学习模型。支持分类、回归、聚类、排序、异常检测甚至推荐系统。

主要功能：

• 内置数据转换器（归一化、独热编码、从文本和图像中提取特征）。
• AutoML — 自动选择算法和超参数。
• 将模型导出为 ONNX 格式，用于跨平台使用。
• 通过 TensorFlow 和 ONNX Runtime 支持 GPU。

示例：文本情感二分类

using Microsoft.ML;using Microsoft.ML.Data;

public class SentimentData{    public string Text { get; set; }    public bool Label { get; set; }}

public class SentimentPrediction{    public bool PredictedLabel { get; set; }    public float Probability { get; set; }}

var context = new MLContext();var data = context.Data.LoadFromTextFile<SentimentData>("data.csv", separatorChar: ',');

var pipeline = context.Transforms.Text.FeaturizeText("Features", nameof(SentimentData.Text))    .Append(context.BinaryClassification.Trainers.SdcaLogisticRegression());

var model = pipeline.Fit(data);var engine = context.Model.CreatePredictionEngine<SentimentData, SentimentPrediction>(model);

var prediction = engine.Predict(new SentimentData { Text = "This product is amazing!" });Console.WriteLine($"Prediction: {prediction.PredictedLabel}, Probability: {prediction.Probability}");

何时使用： 如果您的应用已经基于 .NET，并且您需要无需外部依赖即可无缝集成 ML。

2. Accord.NET — 经典的科学计算库

Accord.NET 是一组用于信号处理、统计和机器学习的框架。它包含 50 多种算法：从线性回归到深度神经网络。该库在 ML.NET 出现之前被广泛使用，并且对于需要精细调整的任务仍然很受欢迎。

主要功能：

• 灵活的模型：SVM、随机森林、K-Means、隐马尔可夫模型。
• 内置图像和音频处理方法（滤波器、边缘检测器、FFT）。
• 支持核方法和概率模型。
• 与 Math.NET Numerics 集成，用于高级数学运算。

示例：使用 SVM 对鸢尾花进行分类

using Accord.MachineLearning.VectorMachines;using Accord.MachineLearning.VectorMachines.Learning;using Accord.Statistics.Kernels;

// 加载数据（经典鸢尾花数据集）double[][] inputs = // ... 特征矩阵（4列）int[] outputs = // ... 类别标签（0,1,2）

var teacher = new MulticlassSupportVectorLearning<Gaussian>(){    Learner = (param) => new SequentialMinimalOptimization<Gaussian>()    {        Complexity = 100,        Tolerance = 1e-5    }};

var machine = teacher.Learn(inputs, outputs);int[] predicted = machine.Decide(inputs);

double error = new ZeroOneLoss(outputs).Loss(predicted);Console.WriteLine($"错误率: {error:P}");

何时使