Este explorador ya no se admite.
Actualice a Microsoft Edge para aprovechar las características y actualizaciones de seguridad más recientes, y disponer de soporte técnico.
La CLI de ML.NET automatiza la generación de modelos para desarrolladores de .NET.
Para usar la API de ML.NET por sí misma (sin la CLI de AutoML de ML.NET) debe elegir un instructor (implementación de un algoritmo de aprendizaje automático para una tarea determinada) y el conjunto de transformaciones de datos (ingeniería de características) para aplicar a los datos. La canalización óptima puede variar para cada conjunto de datos y seleccionar el algoritmo óptimo entre todas las opciones agrega complejidad. Aún más, cada algoritmo tiene un conjunto de hiperparámetros que se deben optimizar. Por lo tanto, puede ahorrar semanas y a veces meses en la optimización del modelo de Machine Learning intentando encontrar las mejores combinaciones de ingeniería de características, algoritmos de aprendizaje e hiperparámetros.
La CLI de ML.NET simplifica este proceso mediante el aprendizaje automático automatizado (AutoML).
Nota
En este artículo se hace referencia a la CLI de ML.NET y AutoML de ML.NET, que se encuentran actualmente en versión preliminar, y el material puede estar sujeto a cambios.
La CLI de ML.NET es una herramienta de .NET. Una vez instalada, se proporciona una tarea de aprendizaje automático y un conjunto de datos de entrenamiento, y genera un modelo de ML.NET, así como el código de C# que se va a ejecutar para usar el modelo en la aplicación.
Tal y como se muestra en la siguiente imagen, es fácil generar un modelo de ML.NET de alta calidad (archivo .zip del modelo serializado) además del código de C# de ejemplo para ejecutar o calificar dicho modelo. Además, el código de C# para crear o entrenar dicho modelo también se genera automáticamente para que pueda investigar e iterar en el algoritmo y la configuración que se usan para ese "mejor modelo" generado.
Puede generar dichos recursos desde sus propios conjuntos de datos sin necesidad de codificarlos usted, lo cual mejora también su productividad incluso si ya conoce ML.NET.
Actualmente, las tareas de Machine Learning compatibles con la CLI de ML.NET son:
La CLI de ML.NET se puede instalar en función del sistema operativo y su arquitectura con el siguiente comando:
dotnet tool install --global mlnet-<OS>-<ARCH>
Por ejemplo, la versión x64 de Windows se puede instalar con:
dotnet tool install --global mlnet-win-x64
Para más información, consulte la guía paso a paso Instalación de la CLI de ML.NET.
Ejemplo de uso (escenario de clasificación):
mlnet classification --dataset "yelp_labelled.txt" --label-col 1 --has-header false --train-time 10
También hay un comando en el que puede entrenar mediante un archivo mbconfig. El archivo mbconfig se crea al iniciar una sesión de Model Builder.
Se puede ejecutar de la misma manera en Windows PowerShell, macOS/Linux bash o Windows CMD. Sin embargo, Autocompletar tabular (sugerencias de parámetro) no funcionará en Windows CMD.
Los comandos de tarea de ML de la CLI generan los siguientes recursos en la carpeta de salida:
Los dos primeros recursos se pueden usar directamente en las aplicaciones de usuario final (por ejemplo, aplicaciones web, servicios y aplicaciones de escritorio de ASP.NET Core) para realizar predicciones con ese modelo de aprendizaje automático generado.
El tercer recurso, el código de aprendizaje, le muestra el código de la API de ML.NET que utilizó la CLI para entrenar el modelo generado, de modo que pueda volver a entrenar el modelo e investigar e iterar en qué hiperparámetros y algoritmos o instructores específicos seleccionó la CLI y AutoML en el interior.
Al generar un "modelo mejor" con la herramienta de la CLI, verá métricas de calidad (como precisión y R cuadrado) según corresponda a la tarea de ML que tiene como destino.
Aquí se resumen esas métricas agrupadas por tareas de ML para que pueda comprender la calidad de su "mejor modelo" autogenerado.
En la imagen siguiente se muestra la lista de métricas de clasificación para los cinco modelos principales encontrados por la CLI:
La precisión es una métrica popular en los problemas de clasificación, pero no siempre es la mejor métrica para seleccionar el mejor modelo, tal y como se explica en las siguientes referencias. Hay casos donde es necesario evaluar la calidad del modelo con métricas adicionales.
Para explorar y comprender las métricas que son el resultado de la CLI, consulte Métricas de evaluación de clasificación.
Un modelo de regresión se ajusta bien a los datos si las diferencias entre los valores observados y los valores de predicción del modelo son pequeñas y no están sesgadas. La regresión se puede evaluar con determinadas métricas.
Verá una lista similar de métricas para los cinco modelos de calidad principales encontrados por la CLI, pero en este caso, están relacionados con una tarea de ML de regresión:
Para explorar y comprender las métricas que son el resultado de la CLI, consulte Métricas de evaluación de regresión.
Comentarios de .NET
.NET es un proyecto de código abierto. Seleccione un vínculo para proporcionar comentarios:
Cursos
Módulo
En este módulo, aprenderá a usar ML.NET Model Builder para entrenar y consumir un modelo de Machine Learning para el mantenimiento predictivo.
Certificación
Microsoft Certified: Azure Data Scientist Associate - Certifications
Administre la ingesta y preparación de datos, el entrenamiento y la implementación de modelos, y la supervisión de soluciones de aprendizaje automático con Python, Azure Machine Learning y MLflow.
Documentación
Tutorial: Predicción de precios mediante regresión con el Generador de modelos - ML.NET
En este tutorial se muestra cómo crear un modelo de regresión mediante ML.NET Generador de modelos para predecir precios, en concreto, tarifas de taxi de la ciudad de Nueva York.
¿Qué es ML.NET y cómo funciona? - ML.NET
ML.NET ofrece la capacidad de agregar aprendizaje automático a aplicaciones .NET, en escenarios en línea o sin conexión. Con esta funcionalidad, puede realizar predicciones automáticas mediante los datos disponibles para la aplicación sin tener que conectarse a una red para usar ML.NET. En este artículo se explican los conceptos básicos del aprendizaje automático en ML.NET.
¿Qué es el Generador de modelos y cómo funciona? - ML.NET
Cómo usar el Generador de modelos de ML.NET para entrenar un modelo de Machine Learning de forma automática
