准备近期将微软的machinelearning-samples翻译成中文，水平有限，如有错漏，请大家多多指正。
如果有朋友对此感兴趣，可以加入我：https://github.com/feiyun0112/machinelearning-samples.zh-cn
# 聚类鸢尾花数据
v0.7 动态 API 最新版 控制台应用程序 .txt 文件 聚类鸢尾花 聚类 K-means++
在这个介绍性示例中，您将看到如何使用ML.NET将不同类型鸢尾花划分为不同组。在机器学习的世界中，这个任务被称为群集。
问题为了演示聚类API的实际作用，我们将使用三种类型的鸢尾花：setosa、versicolor和versicolor。它们都存储在相同的数据集中。尽管这些花的类型是已知的，我们将不使用它，只对花的参数，如花瓣长度，花瓣宽度等运行聚类算法。这个任务是把所有的花分成三个不同的簇。我们期望不同类型的花属于不同的簇。
模型的输入使用下列鸢尾花参数：
petal length
petal width
sepal length
sepal width
ML 任务 - 聚类聚类的一般问题是将一组对象分组，使得同一组中的对象彼此之间的相似性大于其他组中的对象。
其他一些聚类示例：
将新闻文章分为不同主题：体育，政治，科技等。
按购买偏好对客户进行分组。
将数字图像划分为不同的区域以进行边界检测或物体识别。
聚类看起来类似于多类分类，但区别在于对于聚类任务，我们不知道过去数据的答案。 因此，没有“导师”/“主管”可以判断我们的算法的预测是对还是错。 这种类型的ML任务称为无监督学习。
解决方案要解决这个问题，首先我们将建立并训练ML模型。 然后我们将使用训练模型来预测鸢尾花的簇。
1. 建立模型建立模型包括：上传数据（使用TextLoader加载iris-full.txt），转换数据以便ML算法（使用Concatenate）有效地使用，并选择学习算法（KMeans）。 所有这些步骤都存储在trainingPipeline中：
//Create the MLContext to share across components for deterministic results MLContext mlContext = new MLContext(seed: 1); //Seed set to any number so you have a deterministic environment // STEP 1: Common data loading configuration TextLoader textLoader = mlContext.Data.TextReader(new TextLoader.Arguments() { Separator = "\t", HasHeader = true, Column = new[] { new TextLoader.Column("Label", DataKind.R4, 0), new TextLoader.Column("SepalLength", DataKind.R4, 1), new TextLoader.Column("SepalWidth", DataKind.R4, 2), new TextLoader.Column("PetalLength", DataKind.R4, 3), new TextLoader.Column("PetalWidth", DataKind.R4, 4), } }); IDataView fullData = textLoader.Read(DataPath); //STEP 2: Process data transformations in pipeline var dataProcessPipeline = mlContext.Transforms.Concatenate("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth"); // STEP 3: Create and train the model var trainer = mlContext.Clustering.Trainers.KMeans(features: "Features", clustersCount: 3); var trainingPipeline = dataProcessPipeline.Append(trainer); 2. 训练模型训练模型是在给定数据上运行所选算法的过程。 要执行训练，您需要调用Fit()方法。
var trainedModel = trainingPipeline.Fit(trainingDataView); 3. 使用模型在建立和训练模型之后，我们可以使用Predict()API来预测鸢尾花的簇，并计算从给定花参数到每个簇（簇的每个质心）的距离。
// Test with one sample text var sampleIrisData = new IrisData() { SepalLength = 3.3f, SepalWidth = 1.6f, PetalLength = 0.2f, PetalWidth = 5.1f, }; // Create prediction engine related to the loaded trained model var predFunction = trainedModel.MakePredictionFunction<IrisData, IrisPrediction>(mlContext); //Score var resultprediction = predFunction.Predict(sampleIrisData); Console.WriteLine($"Cluster assigned for setosa flowers:" + resultprediction.SelectedClusterId);