教程：配合使用 K 平均值聚类分析和 ML.NET 来对鸢尾花分类

项目
05/10/2023

本教程演示如何使用 ML.NET 为鸢尾花数据集构建聚类分析模型。

在本教程中，你将了解：

了解问题
选择适当的机器学习任务
准备数据
加载和转换数据
选择学习算法
定型模型
使用预测模型

先决条件

Visual Studio 2022。

了解问题

此问题的本质即基于花卉特征将鸢尾花数据归入不同的组。这些特征包括：花萼的长度和宽度以及花瓣的长度和宽度。此教程假设每朵花的类型都是未知的。需通过这些特征了解数据集的结构，并预测数据实例与此结构的拟合程度。

选择适当的机器学习任务

鉴于不知道每朵花属于哪个分组，应选择非监管式机器学习任务。为将数据归入不同的组，并使同一组中的元素互相之间更为相似（与其他组中的元素相比），应使用聚类分析机器学习任务。

创建控制台应用程序

创建名为“IrisFlowerClustering”的 C# 控制台应用程序。单击“下一步”按钮。
选择 .NET 6 作为要使用的框架。单击“创建” 按钮。
在项目中创建一个名为“数据”的目录来保存数据集和模型文件：

在“解决方案资源管理器”中，右键单击项目，然后选择“添加”>“新文件夹” 。键入“Data”，然后按 Enter。
安装“Microsoft.ML NuGet”包：

注意

除非另有说明，否则本示例使用前面提到的 NuGet 包的最新稳定版本。

在“解决方案资源管理器”中，右键单击项目，然后选择“管理 NuGet 包” 。选择“nuget.org”作为包源，然后选择“浏览”选项卡并搜索“Microsoft.ML”，再选择“安装”按钮。选择“预览更改” 对话框上的“确定” 按钮，如果你同意所列包的许可条款，则选择“接受许可” 对话框上的“我接受” 按钮。

准备数据

下载 iris.data 数据集并将其保存至在上一步中创建的“数据”文件夹。若要详细了解鸢尾花数据集，请参阅鸢尾花数据集维基百科页面，以及该数据集的源鸢尾花数据集页面。
在“解决方案资源管理器”中，右键单击“iris.data”文件并选择“属性” 。在“高级”下，将“复制到输出目录”的值更改为“如果较新则复制” 。

该 iris.data 文件包含五列，分别代表以下内容：

花萼长度（厘米）
花萼宽度（厘米）
花瓣长度（厘米）
花瓣宽度（厘米）
鸢尾花类型

考虑到聚类分析示例，本教程忽略最后一列。

创建数据类

创建输入数据和预测类：

在“解决方案资源管理器” 中，右键单击项目，然后选择“添加” >“新项” 。
在“添加新项”对话框中，选择“类”并将“名称”字段更改为“IrisData.cs” 。然后，选择“添加” 按钮。
将以下 using 指令添加到新文件：
```
using Microsoft.ML.Data;
```

删除现有类定义并向“IrisData.cs”文件添加以下代码，其中定义了两个类 IrisData 和 ClusterPrediction ：

public class IrisData
{
    [LoadColumn(0)]
    public float SepalLength;

    [LoadColumn(1)]
    public float SepalWidth;

    [LoadColumn(2)]
    public float PetalLength;

    [LoadColumn(3)]
    public float PetalWidth;
}

public class ClusterPrediction
{
    [ColumnName("PredictedLabel")]
    public uint PredictedClusterId;

    [ColumnName("Score")]
    public float[]? Distances;
}

IrisData 是输入数据类，并且具有针对数据集每个特征的定义。使用 LoadColumn 属性在数据集文件中指定源列的索引。

ClusterPrediction 类表示应用到 IrisData 实例的聚类分析模型的输出。使用 ColumnName 属性将 PredictedClusterId 和 Distances 字段分别绑定至 PredictedLabel 和 Score 列。在聚类分析任务中，这些列具有以下含义：

PredictedLabel 列包含所预测的群集的 ID。
Score 列包含一个数组，该数组中的数与群集形心之间的距离为欧氏距离的平方。该数组的长度等于群集数。

注意

使用 float 类型来表示输入和预测数据类中的浮点值。

定义数据和模型路径

返回到 Program.cs 文件并添加两个字段，以保存数据集文件以及用于保存模型的文件的路径：

_dataPath 包含具有用于定型模型的数据集的文件的路径。
_modelPath 包含用于存储定型模型的文件的路径。

在 using 语句下添加以下代码以指定这些路径：

string _dataPath = Path.Combine(Environment.CurrentDirectory, "Data", "iris.data");
string _modelPath = Path.Combine(Environment.CurrentDirectory, "Data", "IrisClusteringModel.zip");

创建 ML 上下文

将以下附加 using 指令添加到 Program.cs 文件顶部：

using Microsoft.ML;
using IrisFlowerClustering;

使用以下代码替换 Console.WriteLine("Hello World!"); 行：

var mlContext = new MLContext(seed: 0);

Microsoft.ML.MLContext 类表示机器学习环境，并提供用于数据加载、模型定型、预测和其他任务的日志记录和入口点的机制。这在概念上相当于在实体框架中使用 DbContext。

设置数据加载

在 MLContext 下面添加以下代码以设置加载数据的方式：

IDataView dataView = mlContext.Data.LoadFromTextFile<IrisData>(_dataPath, hasHeader: false, separatorChar: ',');

泛型 MLContext.Data.LoadFromTextFile 扩展方法根据所提供的 IrisData 类型推断数据集架构，并返回可用作转换器输入的 IDataView。

创建学习管道

对于本教程，聚类分析任务的学习管道包含两个以下步骤：

将加载的列连接到“Features”列，由聚类分析训练程序使用；
借助 KMeansTrainer 训练程序使用 k - 平均值 + + 聚类分析算法来定型模型。

在加载数据之后添加以下内容：

string featuresColumnName = "Features";
var pipeline = mlContext.Transforms
    .Concatenate(featuresColumnName, "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")
    .Append(mlContext.Clustering.Trainers.KMeans(featuresColumnName, numberOfClusters: 3));

该代码指定该数据集应拆分为三个群集。

定型模型

前述部分中添加的步骤准备了用于定型的管道，但尚未执行。在文件底部添加以下行，以执行数据加载和模型训练：

var model = pipeline.Fit(dataView);

保存模型

此时，你具有可以集成到任何现有或新 .NET 应用程序的模型。要将模型保存为 .zip 文件，请在调用 Fit 方法的内容下面添加以下代码：

using (var fileStream = new FileStream(_modelPath, FileMode.Create, FileAccess.Write, FileShare.Write))
{
    mlContext.Model.Save(model, dataView.Schema, fileStream);
}

使用预测模型

要进行预测，请使用通过转换器管道获取输入类型实例和生成输出类型实例的 PredictionEngine<TSrc,TDst> 类。添加以下行以创建该类的实例：

var predictor = mlContext.Model.CreatePredictionEngine<IrisData, ClusterPrediction>(model);

PredictionEngine 是一个简便 API，可使用它对单个数据实例执行预测。 PredictionEngine 不是线程安全。可以在单线程环境或原型环境中使用。为了在生产环境中提高性能和线程安全，请使用 PredictionEnginePool 服务，这将创建一个在整个应用程序中使用的 PredictionEngine 对象的 ObjectPool。请参阅本指南，了解如何在 ASP.NET Core Web API 中使用 PredictionEnginePool。

注意

PredictionEnginePool 服务扩展目前处于预览状态。

将 TestIrisData 类创建到房屋测试数据实例：

在“解决方案资源管理器” 中，右键单击项目，然后选择“添加” >“新项” 。
在“添加新项”对话框中，选择“类”并将“名称”字段更改为“TestIrisData.cs” 。然后，选择“添加” 按钮。
将类修改为静态，如下面的示例所示：
```
static class TestIrisData
```

本教程引入此类中的一个鸢尾花数据实例。可以添加其他方案来体验此模型。将下面的代码添加到 TestIrisData 类中：

internal static readonly IrisData Setosa = new IrisData
{
    SepalLength = 5.1f,
    SepalWidth = 3.5f,
    PetalLength = 1.4f,
    PetalWidth = 0.2f
};

若要查找指定项所属的群集，请返回至 Program.cs 文件并在文件底部添加以下代码：

var prediction = predictor.Predict(TestIrisData.Setosa);
Console.WriteLine($"Cluster: {prediction.PredictedClusterId}");
Console.WriteLine($"Distances: {string.Join(" ", prediction.Distances ?? Array.Empty<float>())}");

运行该程序以查看哪个群集包含所指定的数据实例，以及从该实例到群集形心的距离的平方值。结果应如下所示：

Cluster: 2
Distances: 11.69127 0.02159119 25.59896

祝贺你！现已成功地生成用于鸢尾花聚类分析的机器学习模型并将其用于预测。可以在 dotnet/samples GitHub 存储库中找到本教程的源代码。

后续步骤