AI時代的網站與手機App建置與開發Part4 - 整合ML.NET與ASP.NET Core MVC網站-建立訓練機器學習模型


·      使用ML.NET實作客戶信用風險預測

了解ML.NET的功能之後, 我們將要使用ML.NET實作客戶授信風險判斷, 在商業活動中, 授信風險判斷是很實用的功能, 例如銀行貸款的授信, 証券公司當日沖消額度控管等等都可以利用機器學習來協助判斷.

文章範例下載:https://github.com/CraigIII/MLNet.git

·        準備訓練資料

不管是進行機器學習或深度學習, 都要預先準備訓練資料. 請連線到[CreditRisk - EDA and Machine Learning]下載客戶的信用資料. 表一所示為客戶的信用資料的範例:

表1的資料的欄位說明如下:

欄位

說明

checking_status

支票帳戶的狀態

duration

期限(單位:月)

credit_history

信用歷史記錄: 正常還款, 延遲還款, 警示帳戶

purpose

貸款用途: 購買電視, 購買汽車

credit_amount

貸款金額

savings_status

存款帳戶狀態

employment

目前受僱狀態(單位:年)

installment_commitment

每用還款金額佔可支配收入的比例

personal_status

個人狀態:性別與婚姻狀態

other_parties

其他債務人 / 保証人

residence_since

定居期間(單位:年)

property_magnitude

資產:汽車, 不動產

age

年齡

other_payment_plans

其他還款計畫, 例如:銀行

housing

房舍: 自有, 租賃

existing_credits

現有貸款

job

工作性質: 專業人士, 非專業人士

num_dependents

扶養人口

own_telephone

自有電話

foreign_worker

外籍人士

class

授信等級:Good, Bad
    我們將要使用表一的資料進行機器學習訓練.

 ·       使用ML.NET實作客戶信用風險預測

請啟動Visual Studio建立型態為[ASP.NET Core MVC應用程式(Model-View-Controller)]型態的專案, 然後使用滑鼠右鍵點選[方案總管]視窗中的專案名稱, 執行[加入 | 機器學習模型]功能, 做好之後請選擇[資料分類], 您就會看到選擇機器學習執行環境的畫面, 如圖1所示；

圖1: 選擇機器學習執行環境的畫面

ML.NET 自3.0版開始加入對Intel oneDAL（oneAPI Data Analytics Library）硬體加速支援,能夠加速資料分析和機器學習過程, 如果電腦未支援GPU或任何硬體加速支援, 也可以選擇[本機CPU]做為機器學習環境.

點選[下一步], 您會看到輸入訓練資料的畫面, 如圖2所示:

圖2: 輸入訓練資料的畫面

點選圖2畫面中的[瀏覽]鍵, 瀏覽到預先準備好的訓練資料, 於[要預測的資料行]選擇: class, 點選[下一步]鍵, 您就會看到執行訓練的畫面, 如圖3所示:

圖3: 執行訓練的畫面

點選[開始訓練], 靜待訓練完成.

訓練完成後, 您就會看到如圖4的畫面, 如果對訓練結果不滿意, 可以增加訓練時間, 或是設定[進階定型選項], 再按下[再次訓練]謀求改善.

圖4: 訓練完成的畫面

如果滿意訓練結果, 可以按下[下一步]鍵, 您就會看到評估訓練妥的機器學習模型的畫面, 如圖5所示:

圖5: 評估訓練妥的機器學習模型的畫面

您可以於畫面中輸入貸款申請者的相關資料, 然後按下[預測]鍵, 就可以在圖5畫面的右方看到預測的結果.

評估完畢後按下圖5畫面中的[下一步], 您就會看到建立提供機器學習模型服務的Server程式和主控台應用程式程式, 如圖6所示:

圖6: 建立提供機器學習模型服務的Server程式和主控台應用程式程式

請注意如果您想建立提供機器學習服務給眾多的應用程式使用, 可以選擇點選圖6畫面中的[Web API]項目右方的[新增至解決方案]連結, Visual Studio建立的Web API專案將會提供/predict端點供需要機器學習服務的應用程式呼叫使用. 如果所建立的機器學習模型只要支援自己建立的程式使用, 請點選圖6畫面中的[主控台應用程式]項目右方的[新增至解決方案]連結, 由Visual Studio建立叫用訓練妥機器學習模型的主控台應用程式專案.

請點選圖6畫面中的[Web API]項目右方的[新增至解決方案]連結, 執行建立[Web API]專案的動作, Visual Studio就會將訓練妥的機器學習模型部署到新建立的[Web API]專案當做Server程式.

做好之後請再點選圖6畫面中的[主控台應用程式]項目右方的[新增至解決方案]連結, 由Visual Studio建立叫用機器學習模型的主控台應用程式專案.

建立妥部署有機器學習模型的Server專案與主控台應用程式專案之後, 請使用Visual Studio設定啟動專案, 將啟動專案設定成叫用機器學習模型的主控台應用程式專案.

設定完成之後請執行專案, 您就會看到主控台應用程式專案將貸款申請人的相關資料傳送給機器學習模型評估的結果, 如圖7所示:

圖7: 主控台應用程式專案將貸款申請人的相關資料傳送給機器學習模型評估的結果

按下圖6畫面中的[下一步]鍵, 可以看到[部署您的模型]和[改進模型]兩個選項, 點選這些選項可以獲取有關將訓練妥的機器學習模型部署到Microsoft Azure雲端平台和改進訓練妥的機器學習模型的相關文件.

·       後續處理

下一回我們將為大家示範如何將叫用部署有機器學習模型的Server專案程式碼移植到ASP.NET Core MVC網站專案或是MAUI跨平台手機App專案.

 

留言

張貼留言

這個網誌中的熱門文章

AI時代的網站與手機App建置與開發Part27 - ML.NET與物件偵測

圖片
  ·        摘要 在自動駕駛的無人車和無人機風風火火出現在日常生活的應用的現今 , 物件偵測技術的應用也日益普及 , 例如自駕車必須要能夠偵測並判斷車輛前方的物體 , 當然最近眾人關注的人形機器人 , 也必須重度依賴物件偵測技術 . 圖 : 物件偵測示意圖 在本篇文章中 , 我們將使用 Visual Studio 2022, 搭配 Microsoft ML.NET 執行物件偵測 . ·        準備訓練資料 首先請參考 [ 使用 VoTT 為物件偵測標記影像 ] 這篇文件的說明 , 為欲偵測的圖片內容進行標示的動作 . 您可以標示多張內含欲辨識的內容 ( 例如 : 汽車 , 機車 , 狗 , 貓 , 紅綠燈 , 交通號誌等等 ) 的圖片 . 例如我們想辨識以下圖片中的停止號誌 : 圖: 內含停止號誌的圖片 就可以使用 Microsoft Visual Object Tagging Tool 標示出圖中 Stop 號誌的位置 , 得到內容位置資訊的 JSON 文件 , 如下所示 : {     "asset": {         "format": "jpg",         "id": "3a74b9294f2f787bf2abe678f6a43231",         "name": "untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "path": "file:E:/temp/Stop-Signs/untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "size": {  ...
閱讀完整內容

AI時代的網站與手機App建置與開發Part28 - 使用YOLO模型進行物件偵測

圖片
  l   摘要 應用程式要提供物件偵測功能 , 除了能夠使用 Microsoft ML.NET 本身的物件偵測模型 ( 請參考 : AI 時代的網站與手機 App 建置與開發 Part27 - ML.NET 與物件偵測 的說明 ) 以外 , 也可以利用 SSD(Single Shot MultiBox Detector) 或 YOLO(You Only Look Once) 等演算法提供即時的物件偵測功能 . 圖 : YOLO 梗圖 ·        認識 SSD 與 YOLO 演算法 SSD 和 YOLO 演算法都是用來執行物件偵測常用的做法 , 其主要特性比較如表 1 的說明 : Feature SSD YOLO 辨識效率 快 ( 較 R-NN 快 , 較 YOLO 慢 ) 非常快 , 適合即時 (real-time) 作業 準確度 辨識小型物件準確度佳 辨識大型物件準確度佳 複雜度 中等 相對簡單 辨識圖片大小 支援 版本越高支援越好 表 1: SSD 和 YOLO 演算法主要特性比較 SSD 與 YOLO 物件偵測演算法的適用場合 ·         YOLO 物件偵測演算法的適用場合 : ü   即時運算 (Real-time) 程式 , 例如監視器 , 自動駕駛交通工具 , 機器人 ü   辨識速度很關鍵的場合 ·         SSD 物件偵測演算法的適用場合 : ü   辨識小型物件準確度高的場合 , 例如文件分析或...
閱讀完整內容

AI時代的網站與手機App建置與開發Part24 - ML.NET與圖片異常偵測

圖片
  ·        摘要 將異常偵測應用在圖片資料能夠替代人工進行產品的瑕疵檢視 , 例如檢視食物是否腐敗 , 外型破裂 , 研判 X 光片的內容是否異常 , 或是判斷商品的包裝是否破損等等 , 對於 24 小時不間斷的生產線能夠提供重要的品管支援 . 圖 : 圖片異常偵測示意圖 在本篇文章中 , 我們將使用 Microsoft ML.NET 支援的 ResNet50 預訓練模型 (Pre-Trained Model) 執行圖片的異常偵測 , 期能利用 AI 模型支援 24 小時不間斷的自動化作業 . ·        準備訓練資料 首先請啟動瀏覽器 , 瀏覽至 Cloud and Non-Cloud Images(Anomaly Detection, 下載訓練圖片資料集 ( 下載網址 : https://www.kaggle.com/datasets/ashoksrinivas/cloud-anomaly-detection-images?resource=download ). 圖 1 所示即為下載得到的圖片資料集的部分內容 : 圖 1: 訓練圖片資料集的部分內容 請將訓練圖片加入到 Visual Studio 專案中名稱為 images 資料夾中 , 並到 [ 屬性 ] 視窗將所有的訓練圖片的 [ 複製到輸出目錄 ] 屬性的內容值設定為 : 有更新時才複製 . ·        準備預訓練模型 請啟動瀏覽器 , 瀏覽至 ONNX Model Zoo, 下載支援圖片辨識的預訓練模型 ( 下載網址 : GitHub - onnx/models: A collection of pre-trained, state-of-the-art models in the ONNX format ), 請下載名稱為 resnet50-v2-7.onnx 的預訓練模型 . 請將下載妥的預訓練模型加入到 Visual Studio 專案中名稱為 PreTrainedModel 資料夾中 , 並到 [ 屬性 ] 視窗將預訓練模型檔案的 [ 複製到輸出目錄...
閱讀完整內容