本文介绍如何在 .NET 6 环境下使用 ML.NET 检测时序数据的周期和异常，并以电话呼叫量数据 (phone.csv) 为例进行完整演示。本教程针对已有 C# 基础并希望学习 ML.NET 的读者。让我们开始吧！
检测时序中的异常通常涉及以下基本原理
- 时序数据的特征：时序数据是按时间顺序排列的数据，通常包含时间戳和相应的数值。理解数据的基本特征（如趋势、季节性和周期性）是异常检测的第一步。
- 定义异常：异常通常被定义为与正常模式显著不同的数据点。这些异常可能是突发的（瞬时异常）或持续的（长期异常）。
前言和背景
时序数据中常见的需求之一就是检测“异常点”，例如在服务器访问量、传感器读数、电话呼叫量等数据中发现突然的异常值。这些异常点有可能是网络攻击、设备故障、或其他重要潜在事件。
ML.NET 提供了基于频谱残差 (SR) 和卷积神经网络 (CNN) 的 SR-CNN 算法，用于在时序中检测异常。此算法可以先帮我们自动检测周期，再评估剩余的部分是否存在异常点。
在Python开发的世界里，数据可视化是一项不可或缺的技能。无论你是在做数据分析、机器学习，还是开发Windows桌面应用的上位机系统，都需要将数据以图表形式直观展示给用户。
Matplotlib作为Python生态中最经典的绘图库，被誉为"Python可视化之父"。但对于初学者来说，面对Matplotlib复杂的API和概念，往往感到无从下手。本文将从实战角度出发，带你快速掌握Matplotlib的核心概念，并创建第一个专业级图表。
让我们一起解决"如何在Windows环境下快速上手Python数据可视化"这个关键问题！
🔍 问题分析：为什么选择Matplotlib？
市场地位与生态优势
Matplotlib在Python可视化领域拥有无可撼动的地位：
- 生态完整：与NumPy、Pandas等核心库无缝集成
- 功能强大：支持2D/3D图表、动画、交互式可视化
- 社区活跃：拥有20年发展历史，文档和教程资源丰富
- 跨平台兼容：在Windows、Linux、macOS上表现一致
实际应用场景
在Windows下的Python开发中，Matplotlib常用于：
- 上位机软件的实时数据监控界面
- 科学计算结果的可视化展示
- 报表生成和数据分析报告
- Web应用的图表生成
准确预测电力消耗对于电力系统的规划和运营至关重要。本文将详细介绍如何使用 ML.NET 构建时序预测模型，以预测全局有功功率(Global_active_power)的变化。
项目概述
- 目标：预测未来24小时的电力消耗
- 技术栈：ML.NET、C#
- 算法：单变量时序分析（SSA）
- 数据源：家庭用电量数据集
环境准备
- 创建新的 C# 控制台应用程序
- 安装必要的 NuGet 包：
XML<PackageReference Include="Microsoft.ML" Version="2.0.0" />
<PackageReference Include="Microsoft.ML.TimeSeries" Version="2.0.0" />
<PackageReference Include="CsvHelper" Version="30.0.1" />
引言
ML.NET是微软开发的开源机器学习框架,让.NET开发者能够直接在.NET应用程序中集成机器学习功能。本文将详细介绍如何使用ML.NET实现图像分类,包括环境搭建、数据准备、模型训练等完整流程。
环境准备
- Visual Studio 2022
- .NET 6.0或更高版本
- 需要安装的NuGet包:
- Microsoft.ML
- Microsoft.ML.Vision
- Microsoft.ML.ImageAnalytics
- SciSharp.TensorFlow.Redist (版本2.3.1)
项目结构
C#ImageClassification/
├── Program.cs
├── assets/ # 存放训练图片
│ ├── CD/ # 有裂缝的图片
│ └── UD/ # 无裂缝的图片
└── workspace/ # 存放模型文件
简介
矩阵因子分解(Matrix Factorization)是一种常用的推荐算法,特别适用于基于用户历史评分数据的协同过滤推荐场景。本文将详细介绍如何使用ML.NET实现一个基于矩阵因子分解的电影推荐系统。
实现步骤
1. 创建项目与安装依赖
C#// 创建.NET 6 控制台应用
// 安装NuGet包:
// - Microsoft.ML
// - Microsoft.ML.Recommender
