训练模型
在上一篇文章中，我们已经通过LearningPipeline训练好了一个“鸢尾花瓣预测”模型，
var model = pipeline.Train<IrisData, IrisPrediction>();
现在就可以让模型对一条没有人工标注结果的数据进行分析，返回一个预测结果。
var prediction = model.Predict(new IrisData() ???????????{ ???????????????SepalLength = 3.3f, ???????????????SepalWidth = 1.6f, ???????????????PetalLength = 0.2f, ???????????????PetalWidth = 5.1f, ???????????}); Console.WriteLine($"Predicted flower type is: {prediction.PredictedLabels}");或者一次预测一批数据
var inputs = new[]{ ???????????????new IrisData() ???????????????{ ???????????????????SepalLength = 3.3f, ???????????????????SepalWidth = 1.6f, ???????????????????PetalLength = 0.2f, ???????????????????PetalWidth = 5.1f, ???????????????} ???????????????,new IrisData() ???????????????{ ???????????????????SepalLength = 5.2f, ???????????????????SepalWidth = 3.5f, ???????????????????PetalLength = 1.5f, ???????????????????PetalWidth = 0.2f, ???????????????} ???????????};var predictions = model.Predict(inputs);保存模型
但是大多数时候，已经训练好的模型以后还需要继续可以使用，因此需要把它持久化，写入到zip文件中。
await model.WriteAsync("IrisPredictionModel.zip");使用模型
一旦建立了机器学习模型，就可以部署它，利用它进行预测。我们可以通过REST API，接受来自客户端的数据输入，并返回预测结果。
创建API项目
dotnet new webapi -o myApi
安装依赖项
cd myApidotnet add package Microsoft.MLdotnet restore
引用模型
要在API中引用我们前面保存的模型，只需将IrisPredictionModel.zip复制到API项目目录中即可。
创建数据结构
我们的模型使用数据结构IrisData和IrisPrediction来定义特征和预测属性。因此，当使用我们的模型通过API进行预测时，它也需要引用这些数据结构。因此，我们需要在API项目中定义IrisData和IrisPrediction。类的内容与上一篇文章中创建模型项目中的内容相同。
using Microsoft.ML.Runtime.Api;namespace myApi{ ???public class IrisData ???{ ???????[Column("0")] ???????public float SepalLength; ???????[Column("1")] ???????public float SepalWidth; ???????[Column("2")] ???????public float PetalLength; ???????[Column("3")] ???????public float PetalWidth; ???????[Column("4")] ???????[ColumnName("Label")] ???????public string Label; ???}}using Microsoft.ML.Runtime.Api;namespace myApi{ ???public class IrisPrediction ???{ ???????[ColumnName("PredictedLabel")] ???????public string PredictedLabels; ???}}创建Controller
现在，在API项目的Controllers目录中，创建PredictController类，用于处理来自客户端的预测请求，它包含一个POST方法
using System;using System.Collections.Generic;using System.Linq;using System.Threading.Tasks;using Microsoft.AspNetCore.Mvc;using Microsoft.ML;namespace myApi.Controllers{ ???[Route("api/[controller]")] ???[ApiController] ???public class PredictController : ControllerBase ???{ ???????// POST api/predict ???????[HttpPost] ???????public async Task<string> Post([FromBody] IrisData value) ???????{ ???????????????????????var model = await PredictionModel.ReadAsync<IrisData,IrisPrediction>("IrisPredictionModel.zip"); ???????????var prediction = model.Predict(value); ???????????return prediction.PredictedLabels; ???????} ????}}测试API
使用如下命令行运行程序：
dotnet run
然后，使用POSTMAN或其他工具向http://localhost:5000/api/predict发送POST请求，请求数据类似：
{ ???"SepalLength": 3.3, ???"SepalWidth": 1.6, ???"PetalLength": 0.2, ???"PetalWidth": 5.1,}如果成功，将会返回"Iris-virginica"。
学习ML.NET(2): 使用模型进行预测
原文地址：https://www.cnblogs.com/feiyun0112/p/ML-NET-2.html