一個通過ML.NET實作自動學習的例子。
一、概述
本篇我們首先通過回歸算法實作一個葡萄酒品質預測的程式，然後通過AutoML的方法再重新實作，通過對比兩種實作方式來學習AutoML的應用。
首先資料集來自于競賽網站kaggle.com的UCI Wine Quality Dataset資料集，通路位址：https://www.kaggle.com/c/uci-wine-quality-dataset/data
該資料集，輸入為一些葡萄酒的化學檢測資料，比如酒精度等，輸出為品酒師的打分，具體字段描述如下：
二、代碼
View Code
關于泊松回歸的算法，我們在進行人臉顔值判斷的那篇文章已經介紹過了，這個程式沒有涉及任何新的知識點，就不重複解釋了，主要目的是和下面的AutoML代碼對比用的。
三、自動學習
我們發現機器學習的大緻流程基本都差不多，如：準備資料-明确特征-選擇算法-訓練等，有時我們存在這樣一個問題：該選擇什麼算法？算法的參數該如何配置？等等。而自動學習就解決了這個問題，架構會多次重複資料選擇、算法選擇、參數調優、評估結果這一過程，通過這個過程找出評估效果最好的模型。
全部代碼如下：
四、代碼分析
1、自動學習過程
ExperimentTime 是允許的試驗時間，progressHandler是一個報告程式，當每完成一種學習，系統就會調用一次報告事件。
調試結果如下：
學習結束後我們通過Debugger.PrintTopModels列印出所有模型資料：
其中CreateRow代碼功能用于排版。調試結果如下：
根據結果可以看到，一些算法被重複試驗，但在使用同一個算法時其配置參數并不一樣，如阙值、深度等。
2、擷取最優模型
擷取最佳模型後，其評估和儲存的過程和之前代碼一緻。用測試資料評估結果：
看結果識别率約70%左右，這種結果是沒有辦法用于生産的，問題應該是我們沒有找到決定葡萄酒品質的關鍵特征。
五、小結
到這篇文章為止，《ML.NET學習筆記系列》就結束了。學習過程中涉及的原始代碼主要來源于：https://github.com/dotnet/machinelearning-samples 。
該工程中還有一些其他算法應用的例子，包括：聚類、矩陣分解、異常檢測，其大體流程基本都差不多，有了我們這個系列的學習基礎有興趣的朋友可以自己研究一下。
六、資源擷取
源碼下載下傳位址：https://github.com/seabluescn/Study_ML.NET
回歸工程名稱：Regression_WineQuality
AutoML工程名稱：Regression_WineQuality_AutoML
點選檢視機器學習架構ML.NET學習筆記系列文章目錄
簽名區：
如果您覺得這篇部落格對您有幫助或啟發，請點選右側【推薦】支援，謝謝！