我們很高興宣佈推出ML.NET 0.7--面向.NET開發人員的最新版本的跨平臺和開源機器學習框架（ML.NET 0.1釋出於// Build 2018）。此版本側重於為基於推薦的ML任務提供更好的支援，實現異常檢測，增強機器學習管道的可定製性，支援在x86應用程式中使用ML.NET等。

本文提供了有關ML.NET 0.7版本中以下主題的詳細資訊：

• 使用Matrix Factorization增強對推薦任務的支援
• 啟用異常檢測方案 - 檢測異常度
• 改進了ML管道的可定製性
• x86支援
• NimbusML - ML.NET的實驗性Python繫結

使用Matrix Factorization增強對推薦任務的支援

推薦系統可以為目錄，歌曲，電影等中的產品生成推薦列表。我們通過新增矩陣分解（MF）改進了對在ML.NET中建立推薦系統的支援，當您獲得有關使用者如何評價目錄中專案的資料時，這是推薦的常用方法。例如，您可能知道使用者如何評價某些電影，並希望推薦下一部他們可能觀看的其他電影。

我們將MF新增到ML.NET，因為它通常比Field-Aware Factorization Machines（我們在ML.NET 0.3中新增）明顯更快，並且它可以支援連續數字等級（例如1-5星）而不是布林值的等級（“喜歡”或“不喜歡”）。即使我們剛剛添加了MF，如果您想利用使用者分配給專案的評級之外的其他資訊（例如電影型別，電影釋出日期，使用者個人資料），您可能仍然希望使用FFM。

MF的樣品用法可在此處找到。該示例是通用的，但您可以想象矩陣行對應於使用者，矩陣列對應於電影，矩陣值對應於評級。由於使用者僅對目錄的一小部分進行了評級，因此該矩陣將非常稀疏。

ML.NET的MF使用LIBMF。

啟用異常檢測方案 - 檢測異常事件

異常檢測可以識別異常值或事件。它用於欺詐檢測（識別可疑信用卡交易）和伺服器監控（識別異常活動）等場景。

ML.NET 0.7支援檢測兩種型別的異常行為：

• 棘波檢測：棘波歸因於輸入資料的值臨時突變。由於中斷，網路攻擊，病毒式網路內容等，這些可能是異常值。
• 變化點檢測：變化點標記資料行為中更持久的偏差的開始。
  例如，如果產品銷售相對一致並且變得更受歡迎（每月銷售額增加一倍），則趨勢發生變化時會有一個變化點。

可以使用不同的ML.NET元件在兩種型別的資料上檢測到這些異常：

• IidSpikeDetector並IidChangePointDetector用於假定來自一個固定分佈的資料（每個資料點獨立於先前的資料，例如每個推文的轉發數量）。
• SsaSpikeDetector並SsaChangePointDetector用於具有季節/趨勢元件的資料（可能按時間排序，例如產品銷售）

可以在此處找到使用ML.NET異常檢測的示例程式碼。

改進了ML.NET管道的可定製性

ML.NET提供各種資料轉換（例如處理文字，影象，分類功能等）。但是，某些用例需要特定於應用程式的轉換，例如計算兩個文字列之間的餘弦相似度。我們現在添加了對自定義轉換的支援，因此您可以輕鬆地包含自定義業務邏輯。

它CustomMappingEstimator允許您編寫自己的方法來處理資料並將它們帶入ML.NET管道。這是管道中的樣子：

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

以下是此自定義對映將執行的操作的定義。在此示例中，我們將文字標籤（“spam”或“ham”）轉換為布林標籤（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可以在此處找到更完整的示例。

除了x64之外還支援x86

有了這個ML.NET版本，您現在可以在x86 / 32位架構裝置上訓練和使用機器學習模型（目前僅適用於Windows）。以前，ML.NET僅限於x64裝置（Windows，Linux和Mac）。
請注意，某些基於外部依賴關係的元件（例如TensorFlow）在x86-Windows中不可用。

NimbusML - ML.NET的實驗性Python繫結

NimbusML為ML.NET提供實驗性的Python繫結。我們已經看到外部社群和內部團隊對使用多種程式語言的反饋。我們希望儘可能多的人能夠從ML.NET中受益，並幫助團隊更輕鬆地協同工作。ML.NET不僅使資料科學家能夠在Python中訓練和使用機器學習模型（也可以在scikit-learn管道中使用元件），而且還可以通過ML.NET儲存可以在.NET應用程式中輕鬆使用的模型。（有關詳細資訊，請參見此處）。