半年前写过一篇类似的文章，题目是：《在.NET中使用机器学习API（ML.NET）实现化学分子式数据格式的判定》，在该文中，我介绍了化学分子式数据格式的基本知识，同时给出了一个案例，展示了如何在.NET/.NET Core中，使用微软开源的ML.NET框架，通过机器学习，实现化学分子式数据格式的预测。

时隔半年，ML.NET有了很大的发展。在阅读我之前那篇文章的时候，或许还会对给出的案例代码有些疑问，ML.NET经过几个版本的更新之后，API的设计变得更为合理易用，所开放的接口也越来越多（比如，新版本的ML.NET中，对机器学习引擎的OutputSchema进行了完全开放，开发者可以根据自己的需要进行调用），因此，本文就再一次回到这个话题并进行更为详细的介绍，用新版本的ML.NET重新实现化学分子式数据格式的判定。

有关化学分子式的相关知识，在这里也就不多说了，直接看代码实现部分。

准备数据

我们的数据仍然是一个CSV文件，通过逗号分隔，文件包含两个字段：结构式数据（ChemicalStructure），以及该结构式数据的类型（Type），以下是这个文件的部分片段，注意，在这个文件中，我们没有定义CSV头，不过这不重要，只要记得在后面的代码实现中，将这个设置体现出来就可以了。

注意：你不需要将这些数据复制下来，本文结尾会给出源代码，其中包含了这个完整的数据文件。

实现过程

可以基于.NET Framework 4.6.1或者.NET Core创建一个新的控制台应用程序，在这个控制台应用程序上，添加对ML.NET NuGet包的引用。实现的第一步就是定义我们的样本数据对象。根据上面的CSV文件结构，我们可以设计如下的类：

这个类非常简单，仅仅是针对CSV文件两个列的映射。接下来，我们需要定义用于保存预测结果的数据对象，该对象不仅会用来保存预测结果值，而且还会提供基于不同分类的可信度得分（Score）：

OK，到这里我们基本上已经清楚我们的机器学习应用场景了：我们在使用Multi-class Classification对化学结构式数据进行分类。在机器学习的应用过程中，了解应用场景是非常重要的。然后，回到Main函数，实现如下代码：

代码非常简单，有几个点说明一下：

• 新的ML.NET需要创建MLContext对象，所有的机器学习工作都会依赖于这个上下文

• 通过MapValueToKey方法来指定读入数据的哪个字段是用来进行分类标记的，这个Label是ML.NET的一个保留字段名，在模型训练的时候会找到由Label所标记的字段进行计算

• Features也是ML.NET的一个保留字段名，它指定了哪个（或哪些）字段将提供特征数据

• PredictedLabel也是ML.NET的保留字段名，它指定了计算结果应该输出到哪个对象字段中

直接运行程序，可以看到，程序毫无悬念地输出了正确结果：

可信度得分的获取

在上面的代码中，如果我们将断点设置在最后一句Console.WriteLine方法上，然后调试程序，查看prediction的数值，会发现，各个分类的可信度已经在Score字段里了：

可问题是，我如何知道某个得分到底是属于哪个分类呢？在ML.NET 0.6之前的版本，在训练好的模型对象上，会有一个TryGetScoreLabelNames的扩展方法，它能够返回可信度得分的分类名称，顺序和Score数组的顺序一致。但从ML.NET 0.6开始，这个扩展方法已经没有了，但这并不是说ML.NET变得更弱了，相反，新版本中直接将OutputSchema对象暴露出来，开发者可以自己实现所需的方法。下面的代码展示了如何基于预测引擎的OutputSchema来获取各个分类的名称，以及所对应的可信度得分：

再次执行程序，可以看到，我们已经可以输出各个分类的可信度得分了：

预测失误

现在我们做个试验，将最后用于测试的数据从SMILES换成INCHI，比如：

然后再次运行程序，结果发现，我们本想得到INCHI的输出，却仍然得到SMILES的结果，只不过SMILES的可信度降低了，InChi的可信度升高了：

这个问题主要是因为我们所提供的用于训练的样本数据还不够多，如果训练数据量大，并且干扰比较小的话，得到的预测结果就会更准确。因此，在实践机器学习的过程中，保证训练数据的纯净度和数据量是非常重要的，这也就是为什么目前机器学习的项目中，在数据清洗这一步中有着相当大的投入。回到我们的案例，让我们在样本CSV文件中多加一些InChi数据，来帮助机器学习得到更精确的结果：

再次运行程序，我们已经可以得到正确的输出了（虽然它仍然认为有31%的可能性是SMILES）：

模型的保存与使用

我们可以用下面的代码将训练好的模型保存到本地ZIP文件中，以便今后直接在项目中使用：

然后使用下面的代码，读入保存的模型，并进行新的预测：

总结

本文再一次介绍了如何使用微软开源的ML.NET框架，实现化学结构式数据格式的预测和判定。本文对使用ML.NET的整个流程进行了详细完整的介绍，但只演示了Multi-class Classification的应用场景。其它应用场景其实也大同小异，开发人员需要根据实际情况进行选择。通过ML.NET产生的训练模型是可以序列化到ZIP文件的，因此，模型可以方便地重用。ML.NET支持.NET Core，因此，基于docker和ASP.NET Core实现机器学习的RESTful API也是轻而易举的事情，本文就不继续深入了。

源代码下载

请 下载本文案例的源代码http://sunnycoding.cn/archives/ML_ChemStructure_Demo.zip。

原文地址：http://sunnycoding.cn/2019/02/22/categorize-chemical-structure-using-ml-net-advanced/

.NET社区新闻，深度好文，欢迎访问公众号文章汇总 http://www.csharpkit.com