ML.NETとは？C#で始める機械学習【入門ガイド】

.NET開発者のための機械学習ライブラリ「ML.NET」を徹底解説。本記事では、ML.NETで実現できること、そのメリット、そして感情分析を題材にした実践的なチュートリアルまで、数式を使わずに分かりやすく紹介します。C#やF#でAI機能をアプリに組み込みたい方は必見です。

はじめに

ML.NETは、Microsoftが提供する、.NET開発者のためのオープンソース機械学習フレームワークです。使い慣れたC#やF#といった言語と、Visual Studioなどの開発環境をそのまま活用して、アプリケーションにAI・機械学習の機能を統合することができます。

これまで「機械学習はPythonでなければ難しい」というイメージがあったかもしれません。しかし、ML.NETの登場により、.NETのエコシステム内でデータ準備からモデルの学習、そして運用まで、一貫した開発体験が可能になりました。

この記事では、ML.NETが持つ強力な機能や、なぜ多くの開発者に選ばれているのか、そして具体的なコードを交えた実践的なチュートリアルまで、難しい専門用語や数式を避けながら、丁寧に解説していきます。

ML.NETでできること

ML.NETは、ビジネスでよく使われるシナリオから、より高度なものまで、多岐にわたる機械学習タスクをカバーしています。具体的にどのようなことができるのかを見ていきましょう。

1. 多様な基本的な機械学習タスク

ML.NETを使えば、以下のような一般的な問題を解決するモデルを構築できます。

• 分類 (Classification)
  • データがどのグループに属するかを予測します。例えば、メールが「スパム」か「非スパム」か、顧客のレビューが「ポジティブ」か「ネガティブ」か、金融取引が「不正」か「正常」かなどを判断するシステムに応用できます。
• 回帰 (Regression)
  • 連続する数値を予測します。不動産の「価格予測」、来月の「売上予測」、工場の「エネルギー消費量予測」など、具体的な数値を導き出したい場合に利用されます。
• クラスタリング (Clustering)
  • 正解ラベルがないデータの中から、似た者同士のグループを自動的に見つけ出します。例えば、顧客データをいくつかの「セグメント」に分類してマーケティングに活かしたり、大量の文書を自動的にトピックごとに分類したりできます。
• 異常検知 (Anomaly Detection)
  • 多くのデータの中から、通常とは異なるパターン（異常）を検出します。クレジットカードの「不正利用検知」や、製造ラインにおける製品の「欠陥検知」、サーバーの監視ログから「障害の予兆」を捉えるといった用途で活躍します。
• レコメンデーション (Recommendation)
  • ユーザーの過去の行動履歴（購買履歴や閲覧履歴など）を基に、そのユーザーが興味を持ちそうなアイテムをおすすめします。オンラインショップの「おすすめ商品」機能などが代表的な例です。

2. 高度なシナリオへの対応

基本的なタスクに加え、ML.NETはより複雑な処理もサポートしています。

• 画像処理（画像分類・物体検出）
  • TensorFlowやONNXといった他の深層学習フレームワークで学習済みのモデルを読み込み、画像に何が写っているかを分類したり（例：「犬」か「猫」か）、画像内の特定の物体の位置を検出したりできます。
• 時系列予測
  • 時間の経過と共に変化するデータ（時系列データ）の将来の値を予測します。過去の売上データから将来の「需要を予測」する、といったビジネス上重要な課題に取り組めます。
• テキスト解析（自然言語処理）
  • 文章を分類したり、二つの文章がどれくらい似ているかを計算したりできます。この機能は、次に紹介する感情分析チュートリアルでも中心的な役割を果たします。
• 生成AIとの連携
  • Infer.NET（確率的プログラミングのためのフレームワーク）など、他のライブラリと連携することで、より高度な生成系のタスクにも対応する道が拓かれています。

なぜML.NETが選ばれるのか？

数ある機械学習フレームワークの中で、ML.NETが特に.NET開発者にとって魅力的な理由を解説します。

• .NET開発者に最適化された設計
  • 最大のメリットは、既存の.NETスキルセットとツールチェーンをそのまま活かせる点です。C#やF#の知識、Visual StudioやCLIでの開発スタイルを変えることなく、機械学習の世界に入ることができます。ASP.NET CoreのWeb API、Blazorを使ったWebアプリ、WPFやWindows Formsのデスクトップアプリなど、あらゆる.NETアプリケーションにシームレスにAI機能を組み込めます。
• 開発を加速する便利なツール
  • AutoML (自動機械学習) 機能が非常に強力です。Visual StudioのGUIツールである「モデルビルダー」や、コマンドラインツールの「ML.NET CLI」を使えば、データを与えだけで最適なアルゴリズムの選択やパラメータ調整を自動で行い、高性能なモデルを生成してくれます。これにより、機械学習の専門知識がなくても、短時間でモデルを構築できます。
• 高いパフォーマンスと信頼性
  • 大規模データ対応: IDataViewという仕組みにより、メモリに乗り切らないような巨大なデータセットも効率的に処理できます。
  • 高速な推論: 学習済みモデルは、外部のAPIサーバーに依存することなく、アプリケーション内で直接（オンデバイスで）動作させることが可能です。これにより、オフライン環境でも利用でき、非常に低遅延で高速な予測が実現します。
  • 実績: Microsoftの主力製品であるPower BIやMicrosoft Defenderなど、数多くの商用サービスで採用されており、その成熟度と信頼性は証明済みです。
• オープンソースで無料
  • ML.NETはMITライセンスで提供されており、個人・商用を問わず誰でも無料で利用できます。コミュニティも活発で、継続的な開発が行われています。
• 優れた相互運用性
  • ONNXやTensorFlow形式のモデルを読み込めるため、Pythonなどの他の環境で学習した最新のモデル資産を.NETアプリケーションで活用することも可能です。

実践チュートリアル：感情分析モデルを作ってみよう

それでは、実際にML.NETを使って簡単な機械学習モデルを構築する流れを見ていきましょう。ここでは、入力された英語の文章が「ポジティブ」か「ネガティブ」かを判定する「感情分析」モデルを作成します。

手順1. 開発環境の準備

まず、開発環境を整えます。

1. .NET SDK をインストールします（.NET 6以降を推奨）。
2. Visual Studio 2022 または .NET CLI を準備します。
3. プロジェクトを作成し、NuGetパッケージマネージャーまたは以下のCLIコマンドでMicrosoft.MLパッケージをプロジェクトに追加します。

dotnet add package Microsoft.ML

手順2. データの「形」を定義する

次に、プログラムに学習データがどのような形式であるかを教えるためのクラスを2つ定義します。

• SentimentData: 学習に使う入力データ（文章と、その正解ラベル）の構造を定義します。
• SentimentPrediction: モデルが予測した結果を格納するための構造を定義します。

using Microsoft.ML.Data;

// 入力データ用のクラス
public class SentimentData
{
    // データの1列目(インデックス0)を読み込むことを示す
    [LoadColumn(0)]
    public string Text;

    // データの2列目(インデックス1)を読み込み、"Label"という名前で扱う
    [LoadColumn(1), ColumnName("Label")]
    public bool Label; // true = ポジティブ, false = ネガティブ
}

// 予測結果用のクラス
public class SentimentPrediction
{
    // "PredictedLabel"という名前で出力される予測結果
    [ColumnName("PredictedLabel")]
    public bool Prediction;

    // 予測の確率
    public float Probability;

    // 生のスコア値
    public float Score;
}

[LoadColumn(0)]のような記述は「属性」と呼ばれ、ML.NETに対してファイルからデータを読み込む際のルールを指示しています。

手順3. パイプラインの構築と学習

ここがモデル構築の中心部分です。ML.NETでは、データに対する一連の処理（パイプライン）を定義し、それをデータに適用することでモデルを学習させます。

using Microsoft.ML;

// 1. ML.NETの環境を初期化
var mlContext = new MLContext();

// 2. テキストファイルからデータを読み込む (今回はタブ区切りのファイルを使用)
// 例: "This was a great movie.	1" のようなデータ
var data = mlContext.Data.LoadFromTextFile<SentimentData>("yelp_labelled.txt", hasHeader: false, separatorChar: '\t');

// 3. データを学習用(80%)とテスト用(20%)に分割
var split = mlContext.Data.TrainTestSplit(data, testFraction: 0.2);

// 4. 学習パイプラインを定義
var pipeline = mlContext.Transforms.Text.FeaturizeText(
        outputColumnName: "Features", // 出力する特徴量データの列名
        inputColumnName: nameof(SentimentData.Text)) // 入力するテキストデータの列名
    .Append(mlContext.BinaryClassification.Trainers.SdcaLogisticRegression(
        labelColumnName: "Label", // 正解ラベルの列名
        featureColumnName: "Features")); // 特徴量データの列名

// 5. 学習用データを使ってモデルを学習させる
var model = pipeline.Fit(split.TrainSet);

このコードの流れを簡単に説明します。

1. MLContextの作成: ML.NETのすべての操作の起点となるオブジェクトです。
2. データの読み込み: 用意したテキストファイル（レビュー文章とポジティブ/ネガティブのラベルがセットになったもの）を読み込みます。
3. データの分割: 持っているデータをすべて学習に使うと、モデルの性能を正しく評価できません。そのため、一部を「テスト用」として分けておきます。
4. パイプラインの定義:
   • FeaturizeText: 人間が読む「文章」を、機械が理解できる「数値のベクトル（特徴量）」に変換します。
   • SdcaLogisticRegression: 特徴量と正解ラベルの関係性を学習するアルゴリズム（今回は二項分類器）を指定します。
5. モデルの学習: Fit()メソッドを呼び出すことで、定義したパイプラインに従って学習用データからモデルが作られます。

手順4. モデルの性能を評価する

学習が完了したら、モデルがどれくらい賢いかをテストします。先ほど分けておいた「テスト用」データを使います。

// テスト用データを使って予測を実行
var predictions = model.Transform(split.TestSet);

// 予測結果と正解を比較して、評価指標を計算
var metrics = mlContext.BinaryClassification.Evaluate(predictions, labelColumnName: "Label");

// 評価結果を表示
Console.WriteLine($"Accuracy (正解率): {metrics.Accuracy:P2}");
Console.WriteLine($"AUC: {metrics.AreaUnderRocCurve:P2}");

• Accuracy (正解率): 全体のうち、どれくらいの割合で正しく予測できたかを示します。
• AUC: モデルがポジティブとネガティブをどれだけうまく見分けられるかを示す指標で、1に近いほど性能が高いとされます。

手順5. 実際に使ってみる（推論）

性能の良いモデルができたので、実際に新しい文章で試してみましょう。

// 予測を実行するためのエンジンを作成
var engine = mlContext.Model.CreatePredictionEngine<SentimentData, SentimentPrediction>(model);

// 試したいサンプルデータを作成
var sample = new SentimentData { Text = "The service was terrible." };

// 予測を実行
var result = engine.Predict(sample);

// 結果を表示
Console.WriteLine($"入力文: '{sample.Text}'");
Console.WriteLine($"予測結果: {(result.Prediction ? "ポジティブ" : "ネガティブ")}");
Console.WriteLine($"ポジティブである確率: {result.Probability:P2}");

このように、学習済みのモデルを使って、未知のデータに対する予測を行うことを「推論」と呼びます。PredictionEngineを使えば、簡単に推論を実行できます。（Webアプリなど、複数のスレッドから同時に呼び出す場合はPredictionEnginePoolの使用が推奨されます）

まとめ

このチュートリアルでは、ML.NETを使って「①データ準備 → ②モデル構築 → ③学習 → ④評価 → ⑤推論」という一連の流れを体験しました。.NET環境だけで、比較的少ないコード量で機械学習モデルを作成できることがお分かりいただけたかと思います。

AutoMLやモデルビルダーを使えば、これらの手順の多くを自動化することも可能です。まずは簡単な分類問題から始めて、慣れてきたら画像分類や時系列予測など、より複雑な課題に挑戦していくのがおすすめです。ML.NETは、.NET開発者にとって、AI・機械学習の可能性を大きく広げる強力なツールです。