bibliothèques d'apprentissage automatique en C#

Question

Existe-t-il des bibliothèques d'apprentissage automatique en C# ? Je cherche quelque chose comme WEKA . Merci.

Answer 1

Il existe une bibliothèque de réseaux neuronaux appelée AForge.net sur le codeprojet. (Le code est hébergé à Code Google ) (Consultez également le Page d'accueil d'AForge - Selon la page d'accueil, la nouvelle version prend désormais en charge les algorithmes génétiques et l'apprentissage automatique. On dirait qu'il a beaucoup progressé depuis la dernière fois que j'ai joué avec).

Je ne sais pas si c'est quelque chose comme WEKA car je ne l'ai jamais utilisé.

(il y a aussi un article sur le sujet). utilisation )

Answer 2

Vous pouvez également utiliser Weka avec C# . La meilleure solution est d'utiliser IKVM comme dans ce tutoriel mais vous pouvez également utiliser un logiciel de pontage.

Answer 3

Weka peut être utilisé à partir de C# très facilement, comme l'a indiqué Shane, en utilisant IKVM et un peu de "code de liaison". Suivez le tutoriel sur page weka pour créer la version '.Net' de weka, alors 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 construire un classificateur et classer un nouvel exemple avec lui, le second montre comment utiliser un classificateur persistant depuis un fichier pour classer un exemple. Si vous avez besoin de supporter des attributs discrets, quelques modifications seront nécessaires. Le code ci-dessus utilise 2 classes d'aide :

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 4

J'ai créé un Bibliothèque ML en C# qui est conçu pour fonctionner avec les objets POCO courants.

Answer 5

Il y a aussi 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