c# - significado - que es c sharp

bibliotecas de aprendizaje automático en C#

Question

¿Hay alguna biblioteca de aprendizaje automático en C #? Estoy WEKA algo como WEKA . Gracias.

Answer 1

Estoy buscando también bibliotecas de aprendizaje automático para .NET y encontré Infer.NET de Microsoft Research en nuget.org/machine-learning :

• Infer.NET

Answer 2

Hay una biblioteca de red neuronal llamada AForge.net en el proyecto de código. (Código alojado en el código de Google ) (También consulte la página de inicio de AForge : según la página de inicio, la nueva versión también admite algoritmos genéticos y aprendizaje automático. Parece que ha progresado mucho desde la última vez que jugué)

No sé, es algo así como WEKA ya que nunca he usado eso.

(También hay un artículo sobre su usage )

Answer 3

También hay un proyecto llamado Encog que tiene código C #. Lo mantiene Jeff Heaton, autor de un libro de "Introducción a la red neuronal" que compré hace un tiempo. La base de código Git está aquí: https://github.com/encog/encog-dotnet-core

Answer 4

También puedes usar Weka con C # . La mejor solución es usar IKVM , como en este tutorial , aunque también puede usar software de puente.

Answer 5

Weka se puede usar desde C # muy fácilmente como Shane declaró, usando IKVM y algunos ''códigos de pegamento''. Siga el tutorial en la página weka para crear la ''versión .Net'' de weka, luego puede intentar ejecutar las siguientes pruebas:

[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);
}

La primera prueba muestra cómo construir un clasificador y clasificar un nuevo ejemplo con él, el segundo muestra cómo puede usar un clasificador persistente de un archivo para clasificar un ejemplo. Si necesita también atributos discretos de soporte, será necesaria alguna modificación. El código de arriba usa 2 clases de ayuda:

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);
}
}

Answer 6

Creé una biblioteca ML en C # que está diseñada para trabajar con objetos POCO comunes.