C# 用于机器学习：实践中的可能性与局限性

轻松学习Python，无需理论负担。在浏览器中直接解决带自动检查的实践任务，无需安装任何东西。

引言：为什么在机器学习中使用 C#？

当谈到机器学习（ML）时，首先想到的是 Python 及其库 TensorFlow、PyTorch 和 scikit-learn。然而，.NET 生态系统也在不断发展。C# 是一种强大的、类型化的语言，在企业开发中被广泛使用，许多公司都在问：能否将其用于机器学习任务？

在本文中，我们将通过实践分析 C# 如何处理机器学习，它的优势在哪里，以及它在哪些方面不如 Python。您将了解如何使用 ML.NET 在 C# 中训练一个简单的模型，以及是否值得将您的机器学习项目迁移到 .NET。

\n\n

ML.NET：C# 用于机器学习的主要工具

微软开发了 ML.NET 框架——这是一个开源的、跨平台的机器学习库，完全集成到 .NET 生态系统中。ML.NET 可以解决分类、回归、聚类、排序问题，并且可以处理图像和文本。

\n\n

示例：预测房价

让我们看看回归任务的真实 C# 代码是什么样的。假设我们有一个包含房屋数据（面积、房间数量、房龄和价格）的 CSV 文件。

using Microsoft.ML;\nusing Microsoft.ML.Data;\n\n// 1. 定义数据类\npublic class HouseData\n{\n    public float Square { get; set; }\n    public float Rooms { get; set; }\n    public float Age { get; set; }\n    public float Price { get; set; } // 目标变量\n}\n\npublic class HousePrediction\n{\n    [ColumnName("Score")]\n    public float PredictedPrice { get; set; }\n}\n\n// 2. 加载数据并训练\nvar context = new MLContext();\nIDataView data = context.Data.LoadFromTextFile<HouseData>("house_data.csv", separatorChar: ',');\n\nvar pipeline = context.Transforms.Concatenate("Features", "Square", "Rooms", "Age")\n    .Append(context.Regression.Trainers.Sdca(labelColumnName: "Price", maximumNumberOfIterations: 100));\n\nvar model = pipeline.Fit(data);\n\n// 3. 使用模型\nvar sampleData = new HouseData { Square = 120, Rooms = 3, Age = 10 };\nvar predictionEngine = context.Model.CreatePredictionEngine<HouseData, HousePrediction>(model);\nvar result = predictionEngine.Predict(sampleData);\n\nConsole.WriteLine($"预测价格: {result.PredictedPrice:F2}");

如您所见，代码可读性强、简洁，并且不需要复杂的依赖关系。ML.NET 会自动处理归一化、分类特征编码和交叉验证。

\n\n

C# 在机器学习中的关键能力

性能：C# 编译为机器码（通过 JIT 或 AOT），与解释型 Python 相比，速度有所提升。对于生产负载，这可能至关重要。
与 .NET 生态系统的集成：您可以轻松地将机器学习模型嵌入到 ASP.NET Core 的 Web 应用程序、WPF 桌面应用程序或微服务中。无需单独搭建 Python 机器学习服务器。
类型安全：与 Python 不同，与数据类型相关的错误在编译阶段就能被捕获，而不是在运行时。
支持 ONNX：ML.NET 可以加载 ONNX 格式的模型，从而可以使用在 PyTorch 或 TensorFlow 中训练的神经网络。
AutoML：内置工具，用于自动选择算法和超参数（AutoMLExperiment 类）。

\n\n