ML.NET 示例：多类分类之问题分类

写在前面

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

GitHub Labeler

ML.NET 版本	API 类型	状态	应用程序类型	数据类型	场景	机器学习任务	算法
v0.7	动态 API	最新的	控制台应用程序	.csv 文件 和 GitHub 问题	问题分类	多类分类	SDCA 多类分类器

这是一个简单的原型应用程序，演示如何使用ML.NET APIs。主要的重点是创建、训练和使用在 Predictor.cs 类中实现的ML（机器学习）模型。

概述

GitHubLabeler 是一个.NET Core控制台应用程序， 它的功能如下:

• 在被标记的GitHub问题上训练ML模型，以教导模型如何为新问题分配标签。 （例如，您可以使用corefx-issues-train.tsv文件，该文件包含来自包含来自公共的corefx存储库的问题）
• 标记新问题。 应用程序将从appsettings.json文件中指定的GitHub存储库中获取所有未标记的未解决问题，并使用在上面步骤中创建的受过训练的ML模型对其进行标记

这个ML模型使用ML.NET的多类分类算法（SdcaMultiClassTrainer）。

输入您的GitHub配置数据

1. 在appsettings.json文件中提供您的GitHub数据:

   为了允许应用程序在GitHub存储库中标记问题，您需要向 appsettings.json 文件中提供以下数据。

        {
          "GitHubToken": "YOUR-GUID-GITHUB-TOKEN",
          "GitHubRepoOwner": "YOUR-REPO-USER-OWNER-OR-ORGANIZATION",
          "GitHubRepoName": "YOUR-REPO-SINGLE-NAME"
        }

您的用户帐户（`GitHubToken`）应具有对存储库（`GitHubRepoName`）的写入权限。

点击这里查看[如何创建Github令牌](https://help.github.com/articles/creating-a-personal-access-token-for-the-command-line/)。

`GitHubRepoOwner`可以是GitHub用户ID（即“MyUser”），也可以是GitHub组织（即“dotnet”）。

1. 提供训练文件

   a. 您可以使用现有的corefx_issues.tsv数据文件来体验该程序。 在这种情况下，将从corefx存储库的标签中选择预测的标签。 无需更改。

   b. 要使用GitHub存储库中的标签，您需要在数据上训练模型。为此，请从您的存储库中导出GitHub问题到.tsv文件，文件包含以下几列：

   • ID - 问题 ID
   • Area - 问题的标签（以这种方式命名以避免与ML.NET中的Label概念混淆）
   • Title - 问题的标题
   • Description - 问题的描述

   将文件添加到Data文件夹下。更新DataSetLocation段以匹配您的文件名：

private static string DataSetLocation = $"{BaseDatasetsLocation}/corefx-issues-train.tsv";

训练

训练是通过已知示例（在本例中，是包含标签的问题）运行ML模型并教授它如何标记新问题的过程。在这个示例中，它是通过在控制台应用程序调用下列方法来完成：

BuildAndTrainModel(DataSetLocation, ModelFilePathName);

训练完成后，模型将保存为MLModels\GitHubLabelerModel.zip。

标记

当模型被训练后，它可以用于预测新问题的标签。

对于没有连接到真正的GitHub存储库的单个测试/演示，请在控制台应用程序中调用下列方法：

TestSingleLabelPrediction(ModelFilePathName);

要访问GitHub存储库的实际问题，请在控制台应用程序中调用另一个方法：

await PredictLabelsAndUpdateGitHub(ModelFilePathName);

为了便于在从GitHub仓库中读取问题时进行测试，它只会加载过去10分钟中创建的并且需要标记的未标记问题。 但是您可以修改这个配置：

Since = DateTime.Now.AddMinutes(-10)

您可以修改这些设置。 在预测标签后，程序会使用预测的标签更新GitHub仓库中的问题。