Sentiment SentimentText
 第一天上班 無事
 完成了領(lǐng)導(dǎo)的安排任務(wù) 
 編寫了一些代碼然后寫了一些雜七雜八的文檔 
 和一般的碼農(nóng)做了一樣的事情
 和產(chǎn)品經(jīng)理一起做了一些項目上的事情 
 早上來的時候就開始討論需求，然后開始寫代碼，快下班的時候完成了整個過程的文檔分享
 ***項目的整體編排會議，設(shè)計圖的首頁以及我的個人中心制作 
 **項目需求的對接，需求的梳理，實體結(jié)構(gòu)的定義，數(shù)據(jù)庫的遷移，腦圖的完善
 1、**項目的模板消息代碼編寫，2、**項目管理后臺的模板發(fā)送完善，

/// <summary>

 /// 輸入數(shù)據(jù)集類

 /// </summary>

 public class SentimentData

 {

 /// <summary>

 /// 日志是否合格的值（0：為合格，1：不合格）

 /// </summary>

 [Column(ordinal: "0", name: "Label")]

 public float Sentiment;

 

 /// <summary>

 /// 日報內(nèi)容

 /// </summary>

 [Column(ordinal: "1")]

 public string SentimentText;

 }

 

 /// <summary>

 /// 預(yù)測結(jié)果集類

 /// </summary>

 public class SentimentPrediction

 {

 /// <summary>

 /// 預(yù)測值（是否合格）

 /// </summary>

 [ColumnName("PredictedLabel")]

 public bool Prediction { get; set; }

 

 /// <summary>

 /// 或然率（結(jié)果分布概率）

 /// </summary>

 [ColumnName("Probability")]

 public float Probability { get; set; }
 }

private static void SaveModelAsFile(MLContext mlContext, ITransformer model)
 {
  using (var fs = new FileStream(_modelPath, FileMode.Create, FileAccess.Write, FileShare.Write))
  mlContext.Model.Save(model, fs);
  Console.WriteLine("模型保存路徑為{0}", _modelPath);
  Console.ReadLine();
 }

public static ITransformer Train(MLContext mlContext, string dataPath)
 {
  IDataView dataView = _textLoader.Read(dataPath);
  //數(shù)據(jù)特征化（按照管道所需的格式轉(zhuǎn)換數(shù)據(jù)）
  var pipeline = mlContext.Transforms.Text.FeaturizeText(inputColumnName: "SentimentText", outputColumnName: "Features")
  //根據(jù)學(xué)習(xí)算法添加學(xué)習(xí)管道
  .Append(mlContext.BinaryClassification.Trainers.FastTree(numLeaves: 50, numTrees: 50, minDatapointsInLeaves: 20));
  //得到模型
  var model = pipeline.Fit(dataView);
  Console.WriteLine();
  //返回定型模型
  return model;
 }

public static void Evaluate(MLContext mlContext, ITransformer model)
 {
  var dataView = _textLoader.Read(_testDataPath);
  Console.WriteLine("===============用測試數(shù)據(jù)評估模型的準確性===============");
  var predictions = model.Transform(dataView);
  //評測定型模型的質(zhì)量
  var metrics = mlContext.BinaryClassification.Evaluate(predictions, "Label");
  Console.WriteLine();
  Console.WriteLine("模型質(zhì)量量度評估");
  Console.WriteLine("--------------------------------");
  Console.WriteLine($"精度: {metrics.Accuracy:P2}");
  Console.WriteLine($"Auc: {metrics.Auc:P2}");
  Console.WriteLine("=============== 模型結(jié)束評價 ===============");
  Console.ReadLine();
//評測完成之后開始保存定型的模型
  SaveModelAsFile(mlContext, model);
 }

private static void Predict(MLContext mlContext, ITransformer model)
 {
 //創(chuàng)建包裝器
  var predictionFunction = model.CreatePredictionEngine<SentimentData, SentimentPrediction>(mlContext);
  SentimentData sampleStatement = new SentimentData
  {
  SentimentText = "愛車新需求開發(fā)；麥扣日志監(jiān)控部分頁面數(shù)據(jù)綁定；"
  };
//預(yù)測結(jié)果
  var resultprediction = predictionFunction.Predict(sampleStatement);
  Console.WriteLine();
  Console.WriteLine("===============單個測試數(shù)據(jù)預(yù)測 ===============");
  Console.WriteLine();
  Console.WriteLine($"日報內(nèi)容: {sampleStatement.SentimentText} | 是否合格: {(Convert.ToBoolean(resultprediction.Prediction) ? "合格" : "不合格")} | 符合率: {resultprediction.Probability} ");
  Console.WriteLine("=============== 預(yù)測結(jié)束 ===============");
  Console.WriteLine();
  Console.ReadLine();
 }

public static void PredictWithModelLoadedFromFile(MLContext mlContext)
  {
   IEnumerable<SentimentData> sentiments = new[]
      {
       new SentimentData
      {
      SentimentText = "1、完成愛車年卡代碼編寫 2、與客戶完成需求對接"
      },
       new SentimentData
      {
       SentimentText = "沒有工作內(nèi)容"
      }
      };

   ITransformer loadedModel;
using (var stream = new FileStream(_modelPath, FileMode.Open, FileAccess.Read, FileShare.Read))
   {
    loadedModel = mlContext.Model.Load(stream);
   }
   // 創(chuàng)建預(yù)測（也稱之為創(chuàng)建預(yù)測房屋）   
var sentimentStreamingDataView = mlContext.Data.ReadFromEnumerable(sentiments);
   var predictions = loadedModel.Transform(sentimentStreamingDataView);
   // 使用模型預(yù)測結(jié)果值為1（不合格）還是0 （合格） 
  var predictedResults = mlContext.CreateEnumerable<SentimentPrediction>(predictions, reuseRowObject: false);
   Console.WriteLine();
   Console.WriteLine("=============== 多樣本加載模型的預(yù)測試驗 ===============");
   var sentimentsAndPredictions = sentiments.Zip(predictedResults, (sentiment, prediction) => (sentiment, prediction));
   foreach (var item in sentimentsAndPredictions)
   {
    Console.WriteLine($"日報內(nèi)容: {item.sentiment.SentimentText} | 是否合格: {(Convert.ToBoolean(item.prediction.Prediction) ? "合格" : "不合格")} | 符合率: {item.prediction.Probability} ");
   }
   Console.WriteLine("=============== 預(yù)測結(jié)束 ===============");
   Console.ReadLine();
  }

public static void Main(string[] args)
  {
//創(chuàng)建一個MLContext，為ML作業(yè)提供一個上下文
   MLContext mlContext = new MLContext(seed: 0);
//初始化_textLoader以將其重復(fù)應(yīng)用于所需要的數(shù)據(jù)集
   _textLoader = mlContext.Data.CreateTextLoader(
  columns: new TextLoader.Column[]
  {
  new TextLoader.Column("Label", DataKind.Bool,0),
  new TextLoader.Column("SentimentText", DataKind.Text,1)
  },
   separatorChar: '\t',
   hasHeader: true
   );
 //定型模型
   var model = Train(mlContext, _trainDataPath);
//評測模型
   Evaluate(mlContext, model);
//單個數(shù)據(jù)預(yù)測
   Predict(mlContext, model);
   //批處理預(yù)測數(shù)據(jù)
   PredictWithModelLoadedFromFile(mlContext);
  }