VS机器学习向导二分类逻辑及Auto ML API精度优化咨询

我在Visual Studio 2022中使用ML.NET处理一个二分类问题。通过VS中的机器学习向导（右键项目→添加→机器学习模型），我得到了精度超过90%的良好结果。但我希望通过源代码实现而非向导的“黑箱操作”，因此尝试用Auto ML API复现结果。目前精度仅能达到向导结果的几个百分点以内，但始终无法完全匹配，推测遗漏了某些步骤。

我当前的实现步骤如下：

1. 创建新的MLContext，并用其加载CSV文件中的数据。我尝试过显式拆分训练集和测试集，也试过让ML.NET自动处理，两者效果无差异。
2. 按照向导UI中的设置配置列信息，处理数值型、类别型及忽略列。
3. 创建并运行实验：

var settings = new BinaryExperimentSettings()
{
    MaxExperimentTimeInSeconds = 60 * 15, // Train for 15 minutes, same as in wizard
    CacheDirectoryName = null, // Skip the disk and store in-memory
};

BinaryClassificationExperiment experiment = context.Auto().CreateBinaryClassificationExperiment(settings);

// Actually Train the model
ExperimentResult<BinaryClassificationMetrics> result;
result = experiment.Execute(trainData: trainData,
    progressHandler: new ProgressReporter(),
    columnInformation: columnInformation
);

请问向导存在哪些我未实现的关键步骤？或者有什么方法可以提升我的模型精度？

向导可能遗漏的关键步骤 #

• 数据预处理细节：VS机器学习向导会自动添加一系列预处理操作，比如缺失值填充（用均值/众数）、数值特征归一化/标准化、异常值处理等。你当前的代码未显式配置这些步骤，而这些预处理对模型精度影响很大。可以查看向导生成的模型代码（右键.mlnet文件→查看代码），里面会包含完整的预处理Pipeline。
• 数据集分层拆分：向导默认会采用分层拆分策略，保持训练集和测试集中正负样本的比例一致，避免因随机拆分导致的样本分布偏差。如果你的手动拆分未做分层，会导致模型评估结果出现差异。
• AutoML参数差异：向导可能指定了特定的优化指标（比如优先优化AUC而非Accuracy），或者开启了EnableOnnxCompatibility等你未配置的参数。另外，向导的AutoML可能默认启用了更多的算法搜索空间，而你的代码未做调整。
• 数据加载的细节配置：向导生成的代码中，LoadFromTextFile会包含更细致的参数（比如HasHeader、SeparatorChar、处理带引号的字段、跳过注释行等），如果你的数据加载参数和向导不一致，会导致输入数据存在差异。

提升精度并复现向导结果的方法 #

• 直接复用向导生成的Pipeline：查看向导生成的模型代码，里面有完整的预处理和训练流程定义，包括所有特征工程步骤和算法选择。直接将这些代码复制到你的项目中，能100%复现向导的结果。
• 显式添加预处理步骤：在你的代码中手动添加缺失值填充、特征归一化等操作，示例如下：

// 示例预处理Pipeline
var pipeline = context.Transforms.FillMissingValues("NumericFeature1")
    .Append(context.Transforms.NormalizeMinMax("NumericFeature1"))
    .Append(context.Transforms.Categorical.OneHotEncoding("CategoryFeature1"))
    .Append(context.Transforms.Concatenate("Features", "NumericFeature1", "CategoryFeature1"));

• 对齐AutoML配置：将BinaryExperimentSettings中的参数与向导对齐，比如指定相同的优化指标：

var settings = new BinaryExperimentSettings()
{
    MaxExperimentTimeInSeconds = 60 * 15,
    OptimizingMetric = BinaryClassificationMetric.Accuracy, // 匹配向导的优化指标
    CacheDirectoryName = null,
    RandomSeed = 42 // 固定随机种子，确保实验可复现
};

• 确保数据加载一致：复制向导生成代码中的LoadFromTextFile参数，比如：

var data = context.Data.LoadFromTextFile<YourDataModel>(
    "data.csv",
    separatorChar: ',',
    hasHeader: true,
    allowQuoting: true
);

• 固定随机种子：在创建MLContext时设置固定的随机种子，消除随机性带来的结果波动：

var context = new MLContext(seed: 42);

内容的提问来源于stack exchange，提问作者Eyvind