如何使用 ML.NET 为微服务添加机器学习功能？

来源：这里教程网时间：2026-02-21 17:27:39 作者：

在微服务架构中集成机器学习功能，可以提升服务的智能化水平，比如实现预测、分类或异常检测。使用 ML.NET，.NET 开发者可以在 C# 环境中轻松构建和部署本地机器学习模型，无需依赖外部 Python 服务或复杂平台。以下是为微服务添加 ML.NET 功能的关键步骤。

1. 明确业务场景并准备数据

在引入 ML.NET 前，先确定你的微服务需要解决什么问题。常见场景包括：

用户行为分类（如判断是否为高价值客户） 订单金额预测 日志异常检测

准备好结构化数据，例如来自数据库、API 或事件流的数据。ML.NET 支持从 CSV、内存集合或 Entity Framework 查询结果加载数据。确保数据字段清晰，目标变量明确。

2. 构建和训练机器学习模型

使用 ML.NET 的 MLContext 创建机器学习环境，定义数据结构，配置数据处理管道和训练算法。

示例：训练一个二分类模型判断订单是否会被取消

var mlContext = new MLContext();
<p>// 定义输入数据结构
public class OrderData
{
[LoadColumn(0)] public float DaysToShip { get; set; }
[LoadColumn(1)] public float Price { get; set; }
[LoadColumn(2)] public bool IsExpress { get; set; }
[LoadColumn(3)] public bool WasCancelled { get; set; }
}</p><p>// 定义预测结果
public class OrderPrediction
{
public bool Prediction { get; set; }
public float Probability { get; set; }
}</p><p>// 加载数据
IDataView data = mlContext.Data.LoadFromTextFile<OrderData>("orders.csv", hasHeader: true);</p><p>// 构建训练管道
var pipeline = mlContext.Transforms.Concatenate("Features", 
nameof(OrderData.DaysToShip), 
nameof(OrderData.Price), 
nameof(OrderData.IsExpress))
.Append(mlContext.BinaryClassification.Trainers.Sdca());</p><p>// 训练模型
var model = pipeline.Fit(data);</p>

3. 保存和加载模型用于推理

训练完成后，将模型保存到文件，以便微服务在运行时快速加载。

mlContext.Model.Save(model, data.Schema, "order-cancellation-model.zip");

在微服务启动时加载模型（建议使用单例模式避免重复加载）：

var loadedModel = mlContext.Model.Load("order-cancellation-model.zip", out var modelSchema);
var predictionEngine = mlContext.Model.CreatePredictionEngine<OrderData, OrderPrediction>(loadedModel);

之后可在 API 控制器中调用预测：

[HttpPost("predict")]
public IActionResult Predict([FromBody] OrderRequest request)
{
    var input = new OrderData
    {
        DaysToShip = request.DaysToShip,
        Price = request.Price,
        IsExpress = request.IsExpress
    };
    var prediction = predictionEngine.Predict(input);
    return Ok(new { WillBeCancelled = prediction.Prediction, Confidence = prediction.Probability });
}