关于ML.NET v0.7的发布说明

我们很高兴宣布推出ML.NET 0.7--面向.NET开发人员的最新版本的跨平台和开源机器学习框架（ML.NET 0.1发布于// Build 2018）。此版本侧重于为基于推荐的ML任务提供更好的支持，实现异常检测，增强机器学习管道的可定制性，支持在x86应用程序中使用ML.NET等。

本文提供了有关ML.NET 0.7版本中以下主题的详细信息：

• 使用Matrix Factorization增强对推荐任务的支持
• 启用异常检测方案 - 检测异常度
• 改进了ML管道的可定制性
• x86支持
• NimbusML - ML.NET的实验性Python绑定

使用Matrix Factorization增强对推荐任务的支持

推荐系统可以为目录，歌曲，电影等中的产品生成推荐列表。我们通过添加矩阵分解（MF）改进了对在ML.NET中创建推荐系统的支持，当您获得有关用户如何评价目录中项目的数据时，这是推荐的常用方法。例如，您可能知道用户如何评价某些电影，并希望推荐下一部他们可能观看的其他电影。

我们将MF添加到ML.NET，因为它通常比Field-Aware Factorization Machines（我们在ML.NET 0.3中添加）明显更快，并且它可以支持连续数字等级（例如1-5星）而不是布尔值的等级（“喜欢”或“不喜欢”）。即使我们刚刚添加了MF，如果您想利用用户分配给项目的评级之外的其他信息（例如电影类型，电影发布日期，用户个人资料），您可能仍然希望使用FFM。可以在此处找到对差异的更深入讨论。

MF的样品用法可在此处找到。该示例是通用的，但您可以想象矩阵行对应于用户，矩阵列对应于电影，矩阵值对应于评级。由于用户仅对目录的一小部分进行了评级，因此该矩阵将非常稀疏。

ML.NET的MF使用LIBMF。

启用异常检测方案 - 检测异常事件

异常检测可以识别异常值或事件。它用于欺诈检测（识别可疑信用卡交易）和服务器监控（识别异常活动）等场景。

ML.NET 0.7支持检测两种类型的异常行为：

• 棘波检测：棘波归因于输入数据的值临时突变。由于中断，网络攻击，病毒式网络内容等，这些可能是异常值。
• 变化点检测：变化点标记数据行为中更持久的偏差的开始。例如，如果产品销售相对一致并且变得更受欢迎（每月销售额增加一倍），则趋势发生变化时会有一个变化点。

可以使用不同的ML.NET组件在两种类型的数据上检测到这些异常：

• IidSpikeDetector并IidChangePointDetector用于假定来自一个固定分布的数据（每个数据点独立于先前的数据，例如每个推文的转发数量）。
• SsaSpikeDetector并SsaChangePointDetector用于具有季节/趋势组件的数据（可能按时间排序，例如产品销售）

可以在此处找到使用ML.NET异常检测的示例代码。

改进了ML.NET管道的可定制性

ML.NET提供各种数据转换（例如处理文本，图像，分类功能等）。但是，某些用例需要特定于应用程序的转换，例如计算两个文本列之间的余弦相似度。我们现在添加了对自定义转换的支持，因此您可以轻松地包含自定义业务逻辑。

它CustomMappingEstimator允许您编写自己的方法来处理数据并将它们带入ML.NET管道。这是管道中的样子：

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

以下是此自定义映射将执行的操作的定义。在此示例中，我们将文本标签（“spam”或“ham”）转换为布尔标签（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可以在此处找到更完整的示例。

除了x64之外还支持x86

有了这个ML.NET版本，您现在可以在x86 / 32位架构设备上训练和使用机器学习模型（目前仅适用于Windows）。以前，ML.NET仅限于x64设备（Windows，Linux和Mac）。
请注意，某些基于外部依赖关系的组件（例如TensorFlow）在x86-Windows中不可用。

NimbusML - ML.NET的实验性Python绑定

NimbusML为ML.NET提供实验性的Python绑定。我们已经看到外部社区和内部团队对使用多种编程语言的反馈。我们希望尽可能多的人能够从ML.NET中受益，并帮助团队更轻松地协同工作。ML.NET不仅使数据科学家能够在Python中训练和使用机器学习模型（也可以在scikit-learn管道中使用组件），而且还可以通过ML.NET保存可以在.NET应用程序中轻松使用的模型。（有关详细信息，请参见此处）。