你遇到的预测结果始终为0、模型参数为空的问题，核心原因出在训练器选择和数据量适配上，具体分析和修复如下：

1. 核心问题：用错了训练器 #

你明确要实现简单线性回归，但代码中使用的FastTree()是基于梯度提升树的回归器——这类树模型需要大量样本（通常至少几十上百条）才能有效学习决策规则，而你的训练数据仅7条，完全不足以支撑它构建有效的树结构，最终导致模型无法学到任何有效参数，只能输出默认值0。

2. 修复方案：改用线性回归训练器 #

替换训练器为ML.NET专门的线性回归实现，比如OrdinaryLeastSquares（普通最小二乘法，正是简单线性回归的标准算法），它在小数据量下也能正常训练出有效模型。

修改后的核心代码片段：

var pipeline = mlContext.Transforms.CopyColumns("Label", "Revenue")
    .Append(mlContext.Transforms.Concatenate("Features", "Customers", "IsWeekend"))
    .Append(mlContext.Regression.Trainers.OrdinaryLeastSquares()); // 替换为线性回归训练器

3. 额外验证：查看模型参数 #

你可以添加代码查看训练后的线性模型参数，确认训练是否生效：

// 训练后检查线性回归模型的参数
var linearModel = model.LastTransformer as LinearRegressionModelParameters;
if (linearModel != null)
{
    Console.WriteLine($"偏置项: {linearModel.Bias}");
    Console.WriteLine($"特征权重（Customers/IsWeekend）: {string.Join(", ", linearModel.Weights)}");
}

运行后你会看到明确的参数值，而非空值，同时预测结果也会符合数据的线性规律。

补充说明 #

如果之后你确实需要使用树模型（比如处理非线性关系），务必补充更多训练数据（至少几十条以上），树模型才能学到有意义的决策规则。但就你当前的简单线性回归需求而言，OrdinaryLeastSquares是最适合的选择。

内容的提问来源于stack exchange，提问作者Simone