Existe-t-il des bibliothèques d'apprentissage automatique en C #? Je suis après quelque chose comme WEKA . Je vous remercie.
Existe-t-il des bibliothèques d'apprentissage automatique en C #? Je suis après quelque chose comme WEKA . Je vous remercie.
Réponses:
Consultez cette liste impressionnante sur GitHub. Parmi les frameworks répertoriés, Accord.NET est open-source et le plus populaire avec plus de 2000 étoiles.
Consultez également la bibliothèque officielle d'apprentissage automatique pour .NET fournie par Microsoft: https://github.com/dotnet/machinelearning
VIEUX
Il existe une bibliothèque de réseaux neuronaux appelée AForge.net sur le projet de code. (Code hébergé chez Google code ) (Consultez également la page d'accueil d'AForge - Selon la page d'accueil, la nouvelle version prend désormais en charge les algorithmes génétiques et l'apprentissage automatique.
Je ne sais pas que c'est quelque chose comme WEKA car je ne l'ai jamais utilisé.
(il y a aussi un article sur son utilisation )
Vous pouvez également utiliser Weka avec C # . La meilleure solution consiste à utiliser IKVM , comme dans ce tutoriel , bien que vous puissiez également utiliser un logiciel de pontage.
Weka peut être utilisé à partir de C # très facilement, comme l'a déclaré Shane, en utilisant IKVM et un certain «code glu». Suivez le tutoriel sur la page weka pour créer la `` version .Net '' de weka, puis vous pouvez essayer d'exécuter les tests suivants:
[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);
}
Le premier test montre comment vous construisez un classificateur et classifiez un nouvel exemple avec lui, le second montre comment vous pouvez utiliser un classificateur persistant à partir d'un fichier pour classer un exemple. Si vous avez trop besoin de prendre en charge les attributs discrets, certaines modifications seront nécessaires. Le code ci-dessus utilise 2 classes d'assistance:
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);
}
}
J'ai créé une bibliothèque ML en C # conçue pour fonctionner avec des objets POCO courants.
Il existe également un projet appelé Encog qui a du code C #. Il est maintenu par Jeff Heaton, l'auteur d'un livre "Introduction to Neural Network" que j'ai acheté il y a quelque temps. La base de code Git est ici: https://github.com/encog/encog-dotnet-core
Je recherche également des bibliothèques d'apprentissage automatique pour .NET et j'ai trouvé Infer.NET de Microsoft Research sur nuget.org/machine-learning :