ML.NET是微软推出的开源跨平台机器学习框架，专为.NET开发者设计，支持在C#中直接实现分类、回归、聚类等任务，无需依赖Python或外部服务。它提供高阶API简化数据预处理、模型训练与预测，并支持TensorFlow和ONNX模型集成。通过Visual Studio Model Builder和CLI工具可实现可视化建模与自动化算法选择。示例中使用贷款审批数据训练二元分类模型，输出预测结果及置信度，模型可保存为.zip文件并在其他.NET应用中复用，适用于企业级AI集成，降低技术栈切换成本。
在C#中进行机器学习开发，最核心的工具是ML.NET，这是微软专为.NET开发者推出的开源机器学习框架。它允许你在不离开C#生态的前提下构建和集成机器学习模型，适合企业级应用、桌面程序或后端服务中的智能化需求。
ML.NET 是什么？
ML.NET 是一个跨平台的机器学习框架，支持 Windows、Linux 和 macOS 上的 .NET 应用。它最初由微软研究团队开发，现已广泛用于生产环境。其最大优势在于：无需依赖 Python 或外部服务即可在 C# 中实现机器学习任务。
主要特性包括：
- 支持常见的机器学习任务：分类、回归、聚类、推荐、异常检测等
- 可与 TensorFlow 和 ONNX 模型集成（通过 Model Builder 扩展）
- 提供高阶 API，简化数据预处理、训练和预测流程
- 支持模型解释性和特征重要性分析
- 可通过命令行或 Visual Studio 插件（Model Builder）可视化建模
其他辅助工具与扩展
除了 ML.NET 核心框架，还有几个实用工具提升开发效率：
- Visual Studio Model Builder：图形化插件，通过向导式界面完成数据导入、训练和模型导出，适合初学者快速上手
- ML.NET CLI：命令行工具，自动为指定数据集寻找最佳算法并生成训练代码和预测代码
- TensorFlow.NET / SciSharp Stack：如果你需要更底层控制或使用深度学习模型，可以考虑这些社区项目，它们为 .NET 提供了对 TensorFlow 的绑定
- Accord.NET：另一个老牌 .NET 机器学习库，功能全面但学习曲线较陡，适用于统计分析、信号处理等场景
入门实例：二元分类预测是否贷款获批
下面是一个简单的 ML.NET 示例，使用历史贷款数据训练模型，判断新客户是否应批准贷款。
1. 创建控制台项目并安装 NuGet 包
在命令行运行：
dotnet new console -n LoanPrediction cd LoanPrediction dotnet add package Microsoft.ML
2. 定义数据模型类
public class LoanData
{
public float Age;
public float Income;
public bool HasCollateral;
public bool Approved; // 目标标签
}
public class PredictionResult
{
public bool PredictedLabel;
public float Probability;
}3. 编写训练与预测代码
using Microsoft.ML;
var context = new MLContext();
// 模拟训练数据
var data = new[]
{
new LoanData { Age = 25, Income = 30000, HasCollateral = false, Approved = false },
new LoanData { Age = 35, Income = 75000, HasCollateral = true, Approved = true },
new LoanData { Age = 45, Income = 60000, HasCollateral = false, Approved = true },
new LoanData { Age = 30, Income = 25000, HasCollateral = false, Approved = false },
new LoanData { Age = 50, Income = 80000, HasCollateral = true, Approved = true }
};
var trainData = context.Data.LoadFromEnumerable(data);
// 构建数据处理管道 + 训练器
var pipeline = context.Transforms.Concatenate("Features",
nameof(LoanData.Age), nameof(LoanData.Income), nameof(LoanData.HasCollateral))
.Append(context.BinaryClassification.Trainers.Sdca(labelColumnName: "Approved"));
// 训练模型
var model = pipeline.Fit(trainData);
// 创建预测引擎
var predictor = context.Model.CreatePredictionEngine(model);
// 预测新客户
var input = new LoanData { Age = 32, Income = 50000, HasCollateral = true };
var result = predictor.Predict(input);
Console.WriteLine($"贷款申请结果：{(result.PredictedLabel ? "批准" : "拒绝")}，置信度：{result.Probability:F2}"); 4. 运行输出示例
可能输出：
贷款申请结果：批准，置信度：0.87
模型保存与重用
训练完成后，你可以将模型保存为 .zip 文件，在其他项目中加载使用：
```csharp context.Model.Save(model, trainData.Schema, "loan_model.zip"); // 加载模型 var loadedModel = context.Model.Load("loan_model.zip", out var schema); ```这使得模型可以在 Web API、WPF 应用或微服务中复用。
基本上就这些。ML.NET 降低了 C# 开发者进入机器学习的门槛，虽然性能和灵活性不如 Python 生态丰富，但对于 .NET 项目集成 AI 功能来说，是非常实用的选择。从数据清洗到模型部署，整个流程都能用 C# 完成，减少技术栈切换成本。
