Ml.net System.ArgumentOutOfRangeException:&x27；功能栏'；功能'；未找到（参数'；模式'；）'；

我在训练模特时遇到了一个问题。我有一系列HTTP请求，我希望能够确定请求是否来自机器人。为了训练这一点，我有一系列的方法：

公共类请求
{
公共字符串Url{get；set；}
公共字符串用户代理{get；set；}
公共bool IsBot{get；set；}
}

还有这样一个预测类：

公共类IsBotPrediction
{
[ColumnName（“PredictedLabel”）]
公共布尔预测{get；set；}
公共浮动分数{get；set；}
}

就本例而言，我创建了一个硬编码数据列表：

var trainingData=新列表
{
新请求{Url=“/wp admin”，UserAgent=“a bot”，IsBot=true}，
新请求{Url=“/backoffice”，UserAgent=“a bot”，IsBot=true}，
新请求{Url=“/hack”，UserAgent=“a bot”，IsBot=true}，
新请求{Url=“/login”，UserAgent=“a bot”，IsBot=false}，
新请求{Url=“/dashboard”，UserAgent=“a bot”，IsBot=false}，
新请求{Url=“/humans.txt”，UserAgent=“a bot”，IsBot=false}，
新请求{Url=“/admin”，UserAgent=“a bot”，IsBot=true}，
};

要训练模型，我使用以下代码：

IDataView mlData=mlContext.Data.LoadFromEnumerable（trainingData）；
var dataPrepPipeline=mlContext
.变换
.文本
.FeatureText（“UrlF”、“Url”）
.Append（mlContext.Transforms.Text.featureizeText（“UserAgentF”、“UserAgent”））
.Append（mlContext.Transforms.Concatenate（“Features”、“UrlF”、“UserAgentF”））
.Append（mlContext.Transforms.NormalizeMinMax（“Features”、“Features”））
.AppendCacheCheckpoint（mlContext）；
var prepPipeline=dataPrepPipeline.Fit（mlData）；
var trainer=mlContext
.二进制分类
.教练
.AveragedPerceptron（labelColumnName:“IsBot”，迭代次数：10，featureColumnName:“Features”）；
var prepreceddata=prepPipeline.Transform（mlData）；
ITransformer trainedModel=trainer.Fit（预处理数据）；

这个训练有素的模型似乎很成功。但当我尝试创建预测引擎时：

var predEngine=mlContext.Model.CreatePredictionEngine（trainedModel）；

我得到以下例外情况：

System.ArgumentOutOfRangeException:'Features列'Feature'未找到（参数'schema'）'

---

你能帮我弄清楚这意味着什么吗？

这可能是因为在数据安装到模型中之前对其进行了转换

下面的设置应该可以工作

var dataPrepPipeline = mlContext.Transforms.Text.FeaturizeText("UrlF", "Url")
     .Append(mlContext.Transforms.Text.FeaturizeText("UserAgentF", "UserAgent"))
     .Append(mlContext.Transforms.Concatenate("Features", "UrlF", "UserAgentF"))
     .Append(mlContext.Transforms.NormalizeMinMax("Features", "Features"))
     .AppendCacheCheckpoint(mlContext);

var dataPrepModel = dataPrepPipeline.Fit(mlData);
var dataPrepDataView = dataPrepModel.Transform(mlData);

var pipeline = dataPrepPipeline.Append(
            mlContext.BinaryClassification.Trainers.AveragedPerceptron(labelColumnName: "IsBot", numberOfIterations: 10, featureColumnName: "Features"));

mlContext.Model.Save(dataPrepModel, dataPrepDataView.Schema, "./dataprep.zip");

var model = pipeline.Fit(mlData);

var modelDataView = model.Transform(mlData);

mlContext.Model.Save(model, modelDataView.Schema, "./model.zip");

var predEngine = mlContext.Model.CreatePredictionEngine<Request, IsBotPrediction>(model);

var-datapreppippeline=mlContext.Transforms.Text.FeaturizeText（“UrlF”、“Url”）
.Append（mlContext.Transforms.Text.featureizeText（“UserAgentF”、“UserAgent”））
.Append（mlContext.Transforms.Concatenate（“Features”、“UrlF”、“UserAgentF”））
.Append（mlContext.Transforms.NormalizeMinMax（“Features”、“Features”））
.AppendCacheCheckpoint（mlContext）；
var dataPrepModel=datapreppipline.Fit（mlData）；
var dataPrepDataView=dataPrepModel.Transform（mlData）；
var pipeline=dataPrepPipeline.Append(
mlContext.BinaryClassification.Trainers.AveragedPerceptron（labelColumnName:“IsBot”，迭代次数：10，featureColumnName:“Features”）；
mlContext.Model.Save（dataPrepModel，dataPrepDataView.Schema，“./dataprep.zip”）；
var模型=pipeline.Fit（mlData）；
var modelDataView=model.Transform（mlData）；
mlContext.Model.Save（Model，modelDataView.Schema，“./Model.zip”）；
var predEngine=mlContext.Model.CreatePredictionEngine（模型）；

这是真的，我很确定你的代码是有效的。我需要对数据进行预处理，以保存准备管道和经过训练的模型。通过使用官方文档实现这一点的方法，您可以调用Fit方法两次：我更新了答案，添加了保存数据准备和模型。希望这就是你所需要的：）这是你所能做到的！我不确定这是否会带来不同，因为它仍在使用数据准备管道。但它不会导致异常，至少：）没错；）非常感谢你的帮助。在已经构建的管道上追加是我在这里缺少的