bibliotecas de aprendizado de máquina em C # [fechado]

Existe alguma biblioteca de aprendizado de máquina em C #? Estou atrás de algo como WEKA . Obrigado.

Confira esta lista incrível no GitHub. Dos frameworks listados, Accord.NET é open-source e o mais popular com mais de 2.000 estrelas.

Além disso, verifique a biblioteca oficial de aprendizado de máquina para .NET fornecida pela Microsoft: https://github.com/dotnet/machinelearning

VELHO

Há uma biblioteca de rede neural chamada AForge.net no codeproject. (Código hospedado no código do Google ) (Verifique também a página inicial do AForge - de acordo com a página inicial, a nova versão agora suporta algoritmos genéticos e aprendizado de máquina também. Parece que progrediu muito desde a última vez que joguei com ele)

Não sei se é algo como WEKA, pois nunca usei isso.

(há também um artigo sobre seu uso )

Você também pode usar Weka com C # . A melhor solução é usar o IKVM , como neste tutorial , embora você também possa usar o software de ponte.

Weka pode ser usado a partir de C # muito facilmente, como Shane afirmou, usando IKVM e algum 'código de colagem'. Siga o tutorial na página do weka para criar a 'versão .Net' do weka, então você pode tentar executar os seguintes testes:

[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);
}

O primeiro teste mostra como você constrói um classificador e classifica um novo exemplo com ele, o segundo mostra como você pode usar um classificador persistente de um arquivo para classificar um exemplo. Se você também precisar de suporte a atributos discretos, algumas modificações serão necessárias. O código acima usa 2 classes auxiliares:

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);
    }
}

Eu criei uma biblioteca de ML em C # que foi projetada para funcionar com objetos POCO comuns.

Há também um projeto chamado Encog que possui código C #. É mantido por Jeff Heaton, autor de um livro "Introdução à Rede Neural" que comprei há algum tempo. O codebase Git está aqui: https://github.com/encog/encog-dotnet-core

Estou pesquisando bibliotecas de aprendizado de máquina para .NET também e encontrei o Infer.NET da Microsoft Research em nuget.org/machine-learning :

• Infer.NET