寫在前面

準備近期將微軟的machinelearning-samples翻譯成中文，水平有限，如有錯漏，請大家多多指正。
如果有朋友對此感興趣，可以加入我：https://github.com/feiyun0112/machinelearning-samples.zh-cn

eShopDashboardML - 銷售預測

eShopDashboardML是一個使用ML.NET 進行（每個產品和每個地區）銷售預測的Web應用程序。

概述

這個終端示例應用程序通過展現以下主題著重介紹ML.NET API的用法:

1. 如何訓練，建立和生成ML模型
   • 使用.NET Core實現一個控制臺應用程序。
2. 如何使用經過訓練的ML模型做下個月的銷售預測
   • 使用ASP.NET Core Razor實現一個獨立的，單體Web應用程序。

該應用程序還使用一個SQL Server數據庫存儲常規產品目錄和訂單信息，就像許多使用SQL Server的典型Web應用程序一樣。在本例中，由於它是一個示例，因此默認情況下使用localdb SQL數據庫，因此不需要設置真正的SQL Server。在第一次運行Web應用程序時，將創建localdb數據庫並包含示例數據。

如果要使用真正的SQL Server或Azure SQL數據庫，只需更改應用程序中的連接字符串即可。

這是Web應用程序的一個銷售預測屏幕截圖示例：

演練：如何設置

了解如何在 Visual Studio 中設置以及對代碼的進一步說明：

• 在 Visual Studio 中設置 eShopDashboard 並運行Web應用程序

• 創建和訓練您的ML模型
  • 此步驟是可選的，因為Web應用程序已配置為使用預先訓練的模型。 但是，您可以創建自己的訓練模型，並將預先訓練的模型與您自己的模型交換。

演練：ML.NET代碼實現

問題

這個問題是基於之前的銷售情況圍繞地區和產品進行銷售預測

數據集

為了解決這個問題，您建立了兩個獨立的ML模型，它們以以下數據集作為輸入：

ML 任務 - 回歸

這個示例的ML任務是回歸，它是一個有監督的機器學習任務，用於從一組相關的特征/變量中預測下一個周期的值（在本例中是銷售預測）。

解決方案

為了解決這個問題，首先我們將建立ML模型，同時根據現有數據訓練每個模型，評估其有多好，最後使用模型預測銷售。

註意，該示例實現了兩個獨立的模型：

• 下一個周期（月）產品需求預測模型
• 下一個周期（月）地區銷售預測模型

當然，當學習/研究此示例時，您可以只關註其中一個場景/模型。

1. 建立模型

您需要實現的第一步是定義要從數據集文件加載的數據列，如下面的代碼所示：

建立並訓練模型

var textLoader = mlContext.Data.TextReader(new TextLoader.Arguments
                        {
                            Column = new[] {
                                new TextLoader.Column("next", DataKind.R4, 0 ),
                                new TextLoader.Column("productId", DataKind.Text, 1 ),
                                new TextLoader.Column("year", DataKind.R4, 2 ),
                                new TextLoader.Column("month", DataKind.R4, 3 ),
                                new TextLoader.Column("units", DataKind.R4, 4 ),
                                new TextLoader.Column("avg", DataKind.R4, 5 ),
                                new TextLoader.Column("count", DataKind.R4, 6 ),
                                new TextLoader.Column("max", DataKind.R4, 7 ),
                                new TextLoader.Column("min", DataKind.R4, 8 ),
                                new TextLoader.Column("prev", DataKind.R4, 9 )
                            },
                            HasHeader = true,
                            Separator = ","
                        });

然後，下一步是構建轉換管道，並指定要使用什麽訓練器/算法。
在本例中，您將進行以下轉換：

• 連接當前特征生成名為NumFeatures的新列
• 使用獨熱編碼轉換productId
• 連接所有生成的特征生成名為‘Features‘的新列
• 復制“next”列將其重命名為“Label”
• 指定“Fast Tree Tweedie”訓練器作為算法應用於模型

在設計管道之後，您可以將數據集加載到DataView中，而且此步驟只是配置，DataView是延遲加載，在下一步訓練模型之前數據不會被加載。

var trainingPipeline = mlContext.Transforms.Concatenate(outputColumn: "NumFeatures", "year", "month", "units", "avg", "count", "max", "min", "prev" )
    .Append(mlContext.Transforms.Categorical.OneHotEncoding(inputColumn:"productId", outputColumn:"CatFeatures"))
    .Append(mlContext.Transforms.Concatenate(outputColumn: "Features", "NumFeatures", "CatFeatures"))
    .Append(mlContext.Transforms.CopyColumns("next", "Label"))
    .Append(trainer = mlContext.Regression.Trainers.FastTreeTweedie("Label", "Features"));

var trainingDataView = textLoader.Read(dataPath);

2. 訓練模型

在建立管道之後，我們通過使用所選算法擬合或使用訓練數據來訓練預測模型。 在該步驟中，模型被建立，訓練並作為對象返回：

var model = trainingPipeline.Fit(trainingDataView);

3. 評估模型

在本例中，模型的評估是在使用交叉驗證方法訓練模型之前執行的，因此您將獲得指示模型準確度的指標。

var crossValidationResults = mlContext.Regression.CrossValidate(trainingDataView, trainingPipeline, numFolds: 6, labelColumn: "Label");
            
ConsoleHelper.PrintRegressionFoldsAverageMetrics(trainer.ToString(), crossValidationResults);

4. 保存模型供最終用戶的應用程序稍後使用

一旦創建和評估了模型，就可以將它保存到.ZIP文件中，任何最終用戶的應用程序都可以通過以下代碼使用它：

using (var file = File.OpenWrite(outputModelPath))
    model.SaveTo(mlContext, file);

5. 用簡單的測試預測試用模型

簡單地說，您可以從.ZIP文件中加載模型，創建一些示例數據，創建“預測函數”，最後進行預測。

ITransformer trainedModel;
using (var stream = File.OpenRead(outputModelPath))
{
    trainedModel = mlContext.Model.Load(stream);
}

var predictionFunct = trainedModel.MakePredictionFunction<ProductData, ProductUnitPrediction>(mlContext);

Console.WriteLine("** Testing Product 1 **");

// Build sample data
ProductData dataSample = new ProductData()
{
    productId = "263",
    month = 10,
    year = 2017,
    avg = 91,
    max = 370,
    min = 1,
    count = 10,
    prev = 1675,
    units = 910
};

//model.Predict() predicts the nextperiod/month forecast to the one provided
ProductUnitPrediction prediction = predictionFunct.Predict(dataSample);
Console.WriteLine($"Product: {dataSample.productId}, month: {dataSample.month + 1}, year: {dataSample.year} - Real value (units): 551, Forecast Prediction (units): {prediction.Score}");

引用

eShopDashboardML數據集是基於UCI(http://archive.ics.uci.edu/ml/datasets/online+retail) 的一個公共在線零售數據集

Daqing Chen, Sai Liang Sain, 和 Kun Guo, 在線零售業的數據挖掘: 基於RFM模型的數據挖掘客戶細分案例研究, 數據庫營銷與客戶戰略管理雜誌, Vol. 19, No. 3, pp. 197a€“208, 2012 (印刷前在線發布: 27 August 2012. doi: 10.1057/dbm.2012.17).

ML.NET 示例：回歸之銷售預測