ML.NET一直在微软的研究部门的工作。这些创新已经用于他们自己的产品，如Windows Defender，Microsoft Office（Powerpoint设计理念，Excel图表推荐），Azure机器学习，PowerBI。 ML.NET旨在提供终端工作流程，以便在机器学习（预处理，特征工程，建模，评估和操作）的各个步骤中将ML用于.NET应用程序。

ML.NET 1.0提供以下关键组件：数据表示机器学习任务（分类，回归，异常检测等）数据特征工程

机器学习模型应该让分析师的生活更轻松，现在甚至可以构建这些模型，因为新框架的设计考虑了AutoML。除了通常的机器学习任务外，ML.NET还支持AutoML。

对于机器学习初学者，Microsoft开发人员建议从Visual Studio中的ML.NET模型构建器和任何平台上的ML.NET CLI开始。对于可以随时构建模型的场景，AutoML API也非常方便。

使用ML.NET模型构建器，只需右键单击即可向应用程序添加机器学习。

在命令行使用ML.NET

还引入了另一个工具ML.NET CLI（命令行工具），它允许使用AutoML和ML.NET生成ML.NET模型。ML.NET CLI快速遍历特定ML任务的数据集（目前支持回归和分类）并生成最佳模型。

CLI除了生成最佳模型外，还允许用户为最佳性能模型生成模型训练和 消费模型代码。

ML.NET CLI是跨平台的，是.NET CLI 的全局工具。Visual Studio扩展ML.NET Model Builder 还使用ML.NET CLI提供模型构建器功能。

安装ML.NET CLI：

dotnet tool install -g mlnet 

这是使用回归预测出租车票价的代码

加载数据集

IDataView trainingDataView = mlContext.Data.LoadFromTextFile(TrainDataPath, hasHeader: true); 

IDataView testDataView = mlContext.Data.LoadFromTextFile(TestDataPath, hasHeader: true); 

运行AutoML二进制分类

ExperimentResult experimentResult = mlContext.Auto().CreateRegressionExperiment(ExperimentTime).Execute(trainingDataView, LabelColumnName, progressHandler: new RegressionExperimentProgressHandler());

模型评估

ITransformer model = experimentResult.BestRun.Model; 

并使用测试数据集评估其质量（taxi-fare-test.csv）。

Regression.Evaluate() 计算已知票价与模型预测值之间的差异，以生成各种指标。

var predictions = trainedModel.Transform(testDataView); 
var metrics = mlContext.Regression.Evaluate（predictions，scoreColumnName：“Score”）;

创建预测引擎

var predEngine = mlContext.Model.CreatePredictionEngine<TaxiTrip, TaxiTripFarePrediction>(model);

计算分数

var predictedResult = predEngine.Predict(taxiTripSample); 

上面是使用Visual Studio内部的模型构建器以及CLI命令测试AutoML，还有一个API可以在.Net应用程序中使用它，使用非常简单，添加[ Microsoft.ML.AutoML ] nuget包到项目中就可以使用API 进行工作

ML.Net示例仓库中有一整套示例。可以重用了Common文件夹中的一些类来通过API使用AutoML 。