關於ML.NET v0.7的發佈說明

咱們很高興宣佈推出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發佈於// Build 2018）。此版本側重於爲基於推薦的ML任務提供更好的支持，實現異常檢測，加強機器學習管道的可定製性，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版本中如下主題的詳細信息：

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

使用Matrix Factorization加強對推薦任務的支持

 

推薦系統能夠爲目錄，歌曲，電影等中的產品生成推薦列表。咱們經過添加矩陣分解（MF）改進了對在ML.NET中建立推薦系統的支持，當您得到有關用戶如何評價目錄中項目的數據時，這是推薦的經常使用方法。例如，您可能知道用戶如何評價某些電影，並但願推薦下一部他們可能觀看的其餘電影。

咱們將MF添加到ML.NET，由於它一般比Field-Aware Factorization Machines（咱們在ML.NET 0.3中添加）明顯更快，而且它能夠支持連續數字等級（例如1-5星）而不是布爾值的等級（「喜歡」或「不喜歡」）。即便咱們剛剛添加了MF，若是您想利用用戶分配給項目的評級以外的其餘信息（例如電影類型，電影發佈日期，用戶我的資料），您可能仍然但願使用FFM。能夠在此處找到對差別的更深刻討論。

MF的樣品用法可在此處找到。該示例是通用的，但您能夠想象矩陣行對應於用戶，矩陣列對應於電影，矩陣值對應於評級。因爲用戶僅對目錄的一小部分進行了評級，所以該矩陣將很是稀疏。

ML.NET的MF使用LIBMF。

啓用異常檢測方案 - 檢測異常事件

 

異常檢測能夠識別異常值或事件。它用於欺詐檢測（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爲：

• 棘波檢測：棘波歸因於輸入數據的值臨時突變。因爲中斷，網絡攻擊，病毒式網絡內容等，這些多是異常值。
• 變化點檢測：變化點標記數據行爲中更持久的誤差的開始。例如，若是產品銷售相對一致而且變得更受歡迎（每個月銷售額增長一倍），則趨勢發生變化時會有一個變化點。

可使用不一樣的ML.NET組件在兩種類型的數據上檢測到這些異常：

• IidSpikeDetector並IidChangePointDetector用於假定來自一個固定分佈的數據（每一個數據點獨立於先前的數據，例如每一個推文的轉發數量）。
• SsaSpikeDetector並SsaChangePointDetector用於具備季節/趨勢組件的數據（可能按時間排序，例如產品銷售）

能夠在此處找到使用ML.NET異常檢測的示例代碼。

改進了ML.NET管道的可定製性

 

ML.NET提供各類數據轉換（例如處理文本，圖像，分類功能等）。可是，某些用例須要特定於應用程序的轉換，例如計算兩個文本列之間的餘弦類似度。咱們如今添加了對自定義轉換的支持，所以您能夠輕鬆地包含自定義業務邏輯。

它CustomMappingEstimator容許您編寫本身的方法來處理數據並將它們帶入ML.NET管道。這是管道中的樣子：

var estimator = mlContext.Transforms.CustomMapping<MyInput, MyOutput>(MyLambda.MyAction, "MyLambda")
    .Append(...)
    .Append(...)

如下是此自定義映射將執行的操做的定義。在此示例中，咱們將文本標籤（「spam」或「ham」）轉換爲布爾標籤（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能夠在此處找到更完整的示例。

除了x64以外還支持x86

 

有了這個ML.NET版本，您如今能夠在x86 / 32位架構設備上訓練和使用機器學習模型（目前僅適用於Windows）。之前，ML.NET僅限於x64設備（Windows，Linux和Mac）。
請注意，某些基於外部依賴關係的組件（例如TensorFlow）在x86-Windows中不可用。

NimbusML - ML.NET的實驗性Python綁定

NimbusML爲ML.NET提供實驗性的Python綁定。咱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。咱們但願儘量多的人可以從ML.NET中受益，並幫助團隊更輕鬆地協同工做。ML.NET不只使數據科學家可以在Python中訓練和使用機器學習模型（也能夠在scikit-learn管道中使用組件），並且還能夠經過ML.NET保存能夠在.NET應用程序中輕鬆使用的模型。（有關詳細信息，請參見此處）。