C #’daki makine öğrenimi kitaplıkları [kapalı]

C #'da herhangi bir makine öğrenimi kitaplığı var mı? WEKA gibi bir şeyin peşindeyim . Teşekkür ederim.

GitHub'daki bu harika listeye göz atın . Listelenen çerçeveler arasında Accord.NET açık kaynaklıdır ve 2.000'den fazla yıldızla en popüler olanıdır.

Ayrıca Microsoft tarafından sağlanan .NET için resmi makine öğrenimi kitaplığına bakın: https://github.com/dotnet/machinelearning

ESKİ

Kod projesinde AForge.net adında bir sinir ağı kitaplığı var . ( Google kodunda barındırılan kod ) (Ayrıca AForge ana sayfasını kontrol edin - Ana sayfaya göre, yeni sürüm artık genetik algoritmaları ve makine öğrenimini de destekliyor. En son oynadığımdan bu yana çok ilerleme kaydetmiş gibi görünüyor)

Bunu hiç kullanmadığım için WEKA gibi bir şey olduğunu bilmiyorum.

(ayrıca kullanımıyla ilgili bir makale var )

Weka'yı C # ile de kullanabilirsiniz . En iyi çözüm, köprüleme yazılımını da kullanabilmenize rağmen , bu öğreticide olduğu gibi IKVM'yi kullanmaktır.

Weka, Shane'in belirttiği gibi IKVM ve bazı 'yapıştırıcı kodu' kullanarak C # 'dan çok kolay kullanılabilir. Weka'nın '.Net sürümünü' oluşturmak için weka sayfasındaki öğreticiyi izleyin, ardından aşağıdaki testleri çalıştırmayı deneyebilirsiniz:

[Fact]
public void BuildAndClassify()
{
  var classifier = BuildClassifier();
  AssertCanClassify(classifier);
}

[Fact]
public void DeserializeAndClassify()
{
  BuildClassifier().Serialize("test.weka");
  var classifier = Classifier.Deserialize<LinearRegression>("test.weka");
  AssertCanClassify(classifier);
}

private static void AssertCanClassify(LinearRegression classifier)
{
  var result = classifier.Classify(-402, -1);
  Assert.InRange(result, 255.8d, 255.9d);
}

private static LinearRegression BuildClassifier()
{
  var trainingSet = new TrainingSet("attribute1", "attribute2", "class")
    .AddExample(-173, 3, -31)
    .AddExample(-901, 1, 807)
    .AddExample(-901, 1, 807)
    .AddExample(-94, -2, -86);

  return Classifier.Build<LinearRegression>(trainingSet);
}

İlk test, bir sınıflandırıcıyı nasıl oluşturduğunuzu ve onunla yeni bir Örneği nasıl sınıflandırdığınızı gösterir, ikincisi, bir örneği sınıflandırmak için bir dosyadan kalıcı bir sınıflandırıcıyı nasıl kullanabileceğinizi gösterir. Ayrık öznitelikleri çok desteklemeye ihtiyacınız varsa, bazı değişiklikler gerekli olacaktır. Yukarıdaki kod 2 yardımcı sınıf kullanır:

public class TrainingSet
{
    private readonly List<string> _attributes = new List<string>();
    private readonly List<List<object>> _examples = new List<List<object>>();

    public TrainingSet(params string[] attributes)
    {
      _attributes.AddRange(attributes);
    }

    public int AttributesCount
    {
      get { return _attributes.Count; }
    }

    public int ExamplesCount
    {
      get { return _examples.Count; }
    }

    public TrainingSet AddExample(params object[] example)
    {
      if (example.Length != _attributes.Count)
      {
        throw new InvalidOperationException(
          String.Format("Invalid number of elements in example. Should be {0}, was {1}.", _attributes.Count,
            _examples.Count));
      }


      _examples.Add(new List<object>(example));

      return this;
    }

    public static implicit operator Instances(TrainingSet trainingSet)
    {
      var attributes = trainingSet._attributes.Select(x => new Attribute(x)).ToArray();
      var featureVector = new FastVector(trainingSet.AttributesCount);

      foreach (var attribute in attributes)
      {
        featureVector.addElement(attribute);
      }

      var instances = new Instances("Rel", featureVector, trainingSet.ExamplesCount);
      instances.setClassIndex(trainingSet.AttributesCount - 1);

      foreach (var example in trainingSet._examples)
      {
        var instance = new Instance(trainingSet.AttributesCount);

        for (var i = 0; i < example.Count; i++)
        {
          instance.setValue(attributes[i], Convert.ToDouble(example[i]));
        }

        instances.add(instance);
      }

      return instances;
    }
}

public static class Classifier
{
    public static TClassifier Build<TClassifier>(TrainingSet trainingSet)
      where TClassifier : weka.classifiers.Classifier, new()
    {
      var classifier = new TClassifier();
      classifier.buildClassifier(trainingSet);
      return classifier;
    }

    public static TClassifier Deserialize<TClassifier>(string filename)
    {
      return (TClassifier)SerializationHelper.read(filename);
    }

    public static void Serialize(this weka.classifiers.Classifier classifier, string filename)
    {
      SerializationHelper.write(filename, classifier);
    }

    public static double Classify(this weka.classifiers.Classifier classifier, params object[] example)
    {
      // instance lenght + 1, because class variable is not included in example
      var instance = new Instance(example.Length + 1);

      for (int i = 0; i < example.Length; i++)
      {
        instance.setValue(i, Convert.ToDouble(example[i]));
      }

      return classifier.classifyInstance(instance);
    }
}

C # 'da yaygın POCO nesneleriyle çalışmak üzere tasarlanmış bir ML kitaplığı oluşturdum .

Ayrıca C # kodu olan Encog adında bir proje var. Bir süre önce satın aldığım "Sinir Ağına Giriş" kitabının yazarı Jeff Heaton tarafından sürdürülüyor. Kod tabanı Git burada: https://github.com/encog/encog-dotnet-core

NET için de makine öğrenimi kitaplıkları arıyorum ve nuget.org/machine-learning adresinde Microsoft Research'ten Infer.NET buluyorum :

• Infer.NET