F#中ML.NET AutoML传入内存数据时编译错误排查

mlnet classification --dataset output.csv --label-col 0 --has-header true --name test --train-time 300

let data = ctx.Data.LoadFromEnumerable(input)

let preprocessingPipeline =
    EstimatorChain()
        .Append(ctx.Transforms.Concatenate("Features", h))

let autoMLEstimator = ctx.Auto().Regression(labelColumnName = labelName)

let toIEstimator (est: 'a) =
    est :> obj :?> IEstimator<ITransformer>

let pipeline =
    (preprocessingPipeline |> toIEstimator)
        .Append(autoMLEstimator)

let experiment = ctx.Auto().CreateExperiment()

let x =
    experiment
        .SetPipeline(pipeline)
        .SetRegressionMetric(RegressionMetric.RSquared, labelName)
        .SetTrainingTimeInSeconds(60u)
        .SetDataset(data)

ctx.Log.Add (fun e ->
    if e.Source.Equals("AutoMLExperiment") then
        info(e.RawMessage)
    )

let! r = experiment.RunAsync()

[<CLIMutable>]
type ModelInput =
    {
        Outcome   : bool
        Side      : float32
        Open0     : float32;    High0     : float32;    Low0      : float32;    Close0    : float32;    Volume0   : float32
        Open1     : float32;    High1     : float32;    Low1      : float32;    Close1    : float32;    Volume1   : float32
        Open2     : float32;    High2     : float32;    Low2      : float32;    Close2    : float32;    Volume2   : float32
        Open3     : float32;    High3     : float32;    Low3      : float32;    Close3    : float32;    Volume3   : float32
        Open4     : float32;    High4     : float32;    Low4      : float32;    Close4    : float32;    Volume4   : float32
        Open5     : float32;    High5     : float32;    Low5      : float32;    Close5    : float32;    Volume5   : float32
        Open6     : float32;    High6     : float32;    Low6      : float32;    Close6    : float32;    Volume6   : float32
        Open7     : float32;    High7     : float32;    Low7      : float32;    Close7    : float32;    Volume7   : float32
        Open8     : float32;    High8     : float32;    Low8      : float32;    Close8    : float32;    Volume8   : float32
        Open9     : float32;    High9     : float32;    Low9      : float32;    Close9    : float32;    Volume9   : float32
        Open10    : float32;    High10    : float32;    Low10     : float32;    Close10   : float32;    Volume10  : float32
        Open11    : float32;    High11    : float32;    Low11     : float32;    Close11   : float32;    Volume11  : float32
        Open12    : float32;    High12    : float32;    Low12     : float32;    Close12   : float32;    Volume12  : float32
        Open13    : float32;    High13    : float32;    Low13     : float32;    Close13   : float32;    Volume13  : float32
        Open14    : float32;    High14    : float32;    Low14     : float32;    Close14   : float32;    Volume14  : float32
        Open15    : float32;    High15    : float32;    Low15     : float32;    Close15   : float32;    Volume15  : float32
        Open16    : float32;    High16    : float32;    Low16     : float32;    Close16   : float32;    Volume16  : float32
        Open17    : float32;    High17    : float32;    Low17     : float32;    Close17   : float32;    Volume17  : float32
        Open18    : float32;    High18    : float32;    Low18     : float32;    Close18   : float32;    Volume18  : float32
        Open19    : float32;    High19    : float32;    Low19     : float32;    Close19   : float32;    Volume19  : float32
        FairPrice : float32
        LgH0      : float32;    LgL0      : float32;    LgH1      : float32;    LgL1      : float32
        ObH0      : float32;    ObL0      : float32;    ObH1      : float32;    ObL1      : float32
        Hh0       : float32;    Lh0       : float32;    Hl0       : float32;    Ll0       : float32
        Hh1       : float32;    Lh1       : float32;    Hl1       : float32;    Ll1       : float32
        Bosi0     : float32;    Bose0     : float32;    Coc0      : float32;    Mss0      : float32
        Bosi1     : float32;    Bose1     : float32;    Coc1      : float32;    Mss1      : float32
    }

The type 'ML.Data.EstimatorChain<ML.Data.ColumnConcatenatingTransformer>' does not match the type 'ModelInput'

• 使用内存中的ModelInput列表作为数据源
• 以Outcome字段为标签（布尔类型分类任务）
• 其余所有float32类型字段作为特征
• 通过AutoML自动尝试不同算法，生成最优分类模型

1. 任务类型不匹配：原代码使用了Regression回归任务，但实际是分类任务，应该用Classification
2. 特征列未正确定义：原代码中h变量未定义，缺少所有非标签特征列的指定
3. 冗余类型转换引发错误：手动的toIEstimator类型转换破坏了类型推断，导致管道拼接时类型不匹配

open Microsoft.ML
open Microsoft.ML.AutoML
open System
open System.Collections.Generic

// 初始化MLContext实例
let ctx = MLContext(seed = 1)

// 替换为实际获取内存数据的逻辑
let input : List<ModelInput> = List<ModelInput>()

// 标签列名称
let labelName = nameof(ModelInput.Outcome)

// 自动获取所有非标签的float32字段作为特征列
let featureColumns = 
    typeof<ModelInput>.GetProperties()
    |> Array.filter (fun prop -> 
        prop.Name <> labelName && prop.PropertyType = typeof<float32>)
    |> Array.map (fun prop -> prop.Name)

// 预处理管道：拼接特征列到统一的"Features"列
let preprocessingPipeline =
    EstimatorChain()
        .Append(ctx.Transforms.Concatenate("Features", featureColumns))

// 创建AutoML分类估算器
let autoMLEstimator = ctx.Auto().Classification(labelColumnName = labelName)

// 拼接完整管道（依赖F#类型推断自动处理泛型）
let pipeline = preprocessingPipeline.Append(autoMLEstimator)

// 创建并配置AutoML实验
let experiment =
    ctx.Auto().CreateExperiment()
        .SetPipeline(pipeline)
        .SetClassificationMetric(ClassificationMetric.Accuracy, labelName)
        .SetTrainingTimeInSeconds(300u) // 匹配命令行的300秒训练时长
        .SetDataset(ctx.Data.LoadFromEnumerable(input))

// 监听AutoML日志输出
ctx.Log.Add (fun e ->
    if e.Source.Equals("AutoMLExperiment") then
        printfn "%s" e.RawMessage
    )

// 异步运行实验并获取结果
let! result = experiment.RunAsync()

// 提取最优模型
let bestModel = result.BestRun.Model

• 切换分类任务：将回归估算器替换为分类估算器，匹配原命令行的分类任务类型
• 自动生成特征列：通过反射自动获取所有符合要求的特征字段，无需手动列举，减少维护成本
• 移除冗余类型转换：依靠F#的类型推断直接拼接管道，解决类型不匹配问题
• 对齐训练参数：将训练时间设置为300秒，和原命令行参数保持一致
• 使用分类指标：替换为分类任务对应的Accuracy指标，也可根据需求切换为F1Score等其他分类指标

内容的提问来源于stack exchange，提问作者Thomas