C# (.NET) 机器学习：ML.NET、Accord.NET、TensorFlow.NET 库概览

C# (.NET) 机器学习：关键库概览

尽管 Python 传统上被认为是机器学习的主要语言，但 C# (.NET) 生态系统也提供了强大且成熟的工具来构建 ML 模型。如果您的基础设施基于 Microsoft 技术栈，或者您偏好静态类型和高性能，.NET 库将帮助您在不更换技术栈的情况下引入人工智能。在本文中，我们将介绍三个主要库：ML.NET、Accord.NET 和 TensorFlow.NET，并提供实用的代码示例。

1. ML.NET — 微软官方库

ML.NET 是一个跨平台的开源机器学习库，专为 .NET 开发者设计。它允许您将 ML 集成到应用程序中，而无需学习 Python 或 R。ML.NET 支持分类、回归、聚类、排序、异常检测，甚至通过集成 ONNX 和 TensorFlow 支持深度学习。

关键特性：

• 用于数据准备的内置转换器（归一化、编码、连接）。
• 通过 AutoML.NET 实现自动模型选择 (AutoML)。
• 将模型导出为 ONNX 格式，以便在其他平台上使用。
• 通过 IDataView 支持大数据训练。

示例：二元评论分类（情感分析）

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; }}

// 加载数据并训练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);

// 预测var predictionEngine = context.Model.CreatePredictionEngine<SentimentData, SentimentPrediction>(model);var prediction = predictionEngine.Predict(new SentimentData { Text = "This product is amazing!" });Console.WriteLine($"Positive: {prediction.PredictedLabel}, Confidence: {prediction.Probability:P}");

这段代码展示了如何用几行代码在 CSV 文件上训练模型并进行预测。ML.NET 会自动处理数据类型并创建管道。

2. Accord.NET — 经典科学计算框架

Accord.NET 是一组用于信号处理、统计和机器学习的库。它包含 40 多种算法：从 SVM 和神经网络到隐马尔可夫模型。该库自 2010 年以来在学术界和工业界得到广泛应用。与 ML.NET 不同，Accord.NET 提供对算法的更低级别控制。

关键特性：

• 广泛的分类器选择：KNN、NaiveBayes、RandomForest、SVM。
• 内置预处理方法：PCA、LDA、归一化。
• 支持神经网络（深度学习工具包）。
• 与 Math.NET 集成，用于复杂数学运算。

示例：使用 KNN 对鸢尾花数据集进行分类

using Accord.MachineLearning;using Accord.MachineLearning.VectorMachines;using Accord.Statistics.Analysis;

// 加载数据（经典 Iris 数据集）double[][] inputs = new double[][]{    new double[] { 5.1, 3.5, 1.4, 0.2 },    new double[] { 4.9, 3.0, 1.4, 0.2 },    // ... 其余