Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
L’interface CLI ML.NET automatise la génération de modèles pour les développeurs .NET.
Pour utiliser l’API ML.NET elle-même (sans l’interface CLI AutoML ML.NET), vous devez choisir un formateur (implémentation d’un algorithme Machine Learning pour une tâche particulière) et l’ensemble de transformations de données (ingénierie des fonctionnalités) à appliquer à vos données. Le pipeline optimal varie pour chaque jeu de données et sélectionne l’algorithme optimal parmi tous les choix ajoute à la complexité. Plus encore, chaque algorithme a un ensemble d’hyperparamètres à régler. Par conséquent, vous pouvez passer des semaines et parfois des mois sur l’optimisation des modèles Machine Learning qui essaient de trouver les meilleures combinaisons d’ingénierie des fonctionnalités, d’algorithmes d’apprentissage et d’hyperparamètres.
L’interface CLI ML.NET simplifie ce processus à l’aide du Machine Learning automatisé (AutoML).
Remarque
Cet article fait référence à ML.NET CLI et ML.NET AutoML, qui sont actuellement en préversion, et le matériel est susceptible de changer.
Qu’est-ce que l’interface de ligne de commande ML.NET (CLI) ?
L’interface CLI ML.NET est un outil .NET. Une fois installé, vous lui donnez une tâche Machine Learning et un jeu de données d’apprentissage, et génère un modèle ML.NET, ainsi que le code C# à exécuter pour utiliser le modèle dans votre application.
Comme illustré dans la figure suivante, il est simple de générer un modèle ML.NET de haute qualité (modèle sérialisé .zip fichier) ainsi que l’exemple de code C# à exécuter/noter ce modèle. En outre, le code C# permettant de créer/entraîner ce modèle est également généré, afin que vous puissiez effectuer des recherches et itérer sur l’algorithme et les paramètres utilisés pour ce « meilleur modèle » généré.
Vous pouvez générer ces ressources à partir de vos propres jeux de données sans coder par vous-même, ce qui améliore également votre productivité même si vous connaissez déjà ML.NET.
Actuellement, les tâches ML prises en charge par l’interface CLI ML.NET sont les suivantes :
- classification
- régression
- recommandation
- classification d’image
- prévision
- entraîner
L’interface CLI ML.NET peut être installée en fonction de votre système d’exploitation et de son architecture avec la commande suivante :
dotnet tool install --global mlnet-<OS>-<ARCH>
Par exemple, la version x64 de Windows peut être installée avec :
dotnet tool install --global mlnet-win-x64
Pour plus d’informations, consultez le guide pratique d’installation de l’interface cli ML.NET .
Exemple d’utilisation (scénario de classification) :
mlnet classification --dataset "yelp_labelled.txt" --label-col 1 --has-header false --train-time 10
Il existe également une commande dans laquelle vous pouvez effectuer l’apprentissage à l’aide d’un fichier mbconfig . Le fichier mbconfig est créé lorsque vous démarrez une session Model Builder.
Vous pouvez l’exécuter de la même façon sur Windows PowerShell, macOS/Linux bash ou Windows CMD. Toutefois, la saisie semi-automatique tabulaire (suggestions de paramètres) ne fonctionnera pas sur windows CMD.
Ressources de sortie générées
Les commandes de tâche ML dans l’interface CLI génèrent les ressources suivantes dans le dossier de sortie :
- Solution C# avec :
- Application console permettant d’exécuter/noter le modèle généré (pour effectuer des prédictions dans vos applications de l’utilisateur final avec ce modèle).
- Application console avec le code d’apprentissage utilisé pour générer ce modèle (à des fins d’apprentissage ou de réentraînement de modèle).
- Ce modèle sérialisé (« meilleur modèle ») est également fourni sous la forme d’un fichier de.zip compressé prêt à être utilisé pour exécuter des prédictions.
- Fichier mbconfig , qui contient des données de configuration qui vous permettent d’ouvrir le modèle dans Le Générateur de modèles.
- Fichier journal avec des informations sur toutes les itérations/balayages sur plusieurs algorithmes évalués, y compris leur configuration/pipeline détaillé.
Les deux premières ressources peuvent être utilisées directement dans vos applications de l’utilisateur final (par exemple, ASP.NET Applications web, services et applications de bureau core) pour effectuer des prédictions avec ce modèle ML généré.
La troisième ressource, le code d’entraînement, vous montre ce que ML.NET code d’API a été utilisé par l’interface CLI pour entraîner le modèle généré, afin de pouvoir réentraîner votre modèle et examiner et itérer sur quels formateurs/algorithmes et hyperparamètres spécifiques ont été sélectionnés par l’interface CLI et AutoML sous les couvertures.
Comprendre la qualité du modèle
Lorsque vous générez un « meilleur modèle » avec l’outil CLI, vous voyez des métriques de qualité (telles que la précision et R-Squared) appropriées pour la tâche ML que vous ciblez.
Ici, ces métriques sont résumées par tâche ML afin de comprendre la qualité de votre « meilleur modèle » généré automatiquement.
Métriques pour les modèles de classification
L’image suivante affiche la liste des métriques de classification pour les cinq premiers modèles trouvés par l’interface CLI :
La précision est une métrique populaire pour les problèmes de classification, mais la précision n’est pas toujours la meilleure métrique à partir de laquelle sélectionner le meilleur modèle, comme expliqué dans les références suivantes. Il existe des cas où vous devez évaluer la qualité de votre modèle avec des métriques supplémentaires.
Pour explorer et comprendre les métriques qui sont générées par l’interface CLI, consultez les métriques d’évaluation pour la classification.
Métriques pour les modèles régression et recommandation
Un modèle de régression correspond bien aux données si les différences entre les valeurs observées et les valeurs prédites du modèle sont petites et non biaisées. La régression peut être évaluée avec certaines métriques.
Vous verrez une liste similaire de métriques pour les cinq premiers modèles de qualité trouvés par l’interface CLI, sauf dans ce cas, les cinq premières sont liées à une tâche ML de régression :
Pour explorer et comprendre les métriques qui sont générées par l’interface CLI, consultez Les métriques d’évaluation pour la régression.
Voir aussi
Collaborer avec nous sur GitHub
La source de ce contenu se trouve sur GitHub, où vous pouvez également créer et examiner les problèmes et les demandes de tirage. Pour plus d’informations, consultez notre guide du contributeur.
