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
v0.7 动态 API 最新版本 ASP.NET Core Web应用程序和控制台应用程序 SQL Server 和 .csv 文件 销售预测 回归 FastTreeTweedie 回归
eShopDashboardML是一个使用ML.NET 进行（每个产品和每个地区）销售预测的Web应用程序。
概述这个终端示例应用程序通过展现以下主题着重介绍ML.NET API的用法:
如何训练，建立和生成ML模型
使用.NET Core实现一个控制台应用程序。
如何使用经过训练的ML模型做下个月的销售预测
使用ASP.NET Core Razor实现一个独立的，单体Web应用程序。
该应用程序还使用一个SQL Server数据库存储常规产品目录和订单信息，就像许多使用SQL Server的典型Web应用程序一样。在本例中，由于它是一个示例，因此默认情况下使用localdb SQL数据库，因此不需要设置真正的SQL Server。在第一次运行Web应用程序时，将创建localdb数据库并包含示例数据。
如果要使用真正的SQL Server或Azure SQL数据库，只需更改应用程序中的连接字符串即可。
这是Web应用程序的一个销售预测屏幕截图示例：
了解如何在 Visual Studio 中设置以及对代码的进一步说明：
在 Visual Studio 中设置 eShopDashboard 并运行Web应用程序
创建和训练您的ML模型
此步骤是可选的，因为Web应用程序已配置为使用预先训练的模型。 但是，您可以创建自己的训练模型，并将预先训练的模型与您自己的模型交换。
演练：ML.NET代码实现 问题这个问题是基于之前的销售情况围绕地区和产品进行销售预测
数据集为了解决这个问题，您建立了两个独立的ML模型，它们以以下数据集作为输入：
数据集 列products stats next, productId, year, month, units, avg, count, max, min, prev
country stats next, country, year, month, max, min, std, count, sales, med, prev
ML 任务 -
这个示例的ML任务是回归，它是一个有监督的机器学习任务，用于从一组相关的特征/变量中预测下一个周期的值（在本例中是销售预测）。
解决方案为了解决这个问题，首先我们将建立ML模型，同时根据现有数据训练每个模型，评估其有多好，最后使用模型预测销售。
注意，该示例实现了两个独立的模型：
下一个周期（月）产品需求预测模型
下一个周期（月）地区销售预测模型
当然，当学习/研究此示例时，您可以只关注其中一个场景/模型。
1. 建立模型您需要实现的第一步是定义要从数据集文件加载的数据列，如下面的代码所示：
建立并训练模型
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 = "," });然后，下一步是构建转换管道，并指定要使用什么训练器/算法。
在这个案例中，您将进行以下转换：
连接当前特征生成名为NumFeatures的新列
使用独热编码转换productId
连接所有生成的特征生成名为'Features'的新列
复制“next”列将其重命名为“Label”
指定“Fast Tree Tweedie”训练器作为算法应用于模型
在设计管道之后，您可以将数据集加载到DataView中，而且此步骤只是配置，DataView是延迟加载，在下一步训练模型之前数据不会被加载。
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. 训练模型