不是必须，但TextClassificationTrainer是.NET 6+最直接方案；需确保标签列名匹配、文本列为string、标签可转key，预处理要清理特殊字符，部署时注意Linux容器原生依赖缺失。
ML.NET 情感分析必须用 TextClassificationTrainer 吗？
不是必须，但它是当前（.NET 6+）最直接、开箱即用的方案。旧版 SentimentPrediction 示例依赖已弃用的 Microsoft.ML.Transforms.Text 中过时 API；新版统一收口到 TextClassificationTrainer，底层自动处理分词、向量化、训练分类器全流程。
常见错误现象：InvalidOperationException: Could not find column 'Sentiment' —— 多因标签列名不匹配或未设 LabelColumnName；NotSupportedException: TextLoader does not support loading string columns as keys —— 常见于误将文本列设为 KeyType。
- 确保数据 CSV 第一行是列名，且标签列（如
Sentiment）为整数（0=负面，1=正面）或字符串（需后续映射） - 加载时用
LoadFromTextFile<sentimentdata></sentimentdata>，其中SentimentData类的标签属性必须加[ColumnName("Sentiment")]和[LoadColumn(1)] - 训练前务必调用
mlContext.Transforms.Conversion.MapValueToKey("Label")，否则TextClassificationTrainer会报错
训练数据格式不对会导致 TextClassificationTrainer 直接崩溃
它对输入格式极其敏感：文本列必须是 string 类型，标签列必须能转成 key 类型（即离散类别）。不能直接喂入浮点评分（如 4.2 星）、空行、含控制字符的文本，也不接受多标签。
典型场景：你从 Excel 导出评论数据，发现部分单元格含换行符或引号 —— TextLoader 会解析失败，抛出 ArgumentException: Malformed line。
- 预处理建议：用 C# 读取原始 CSV，清理
\r\n、双引号、制表符，保存为 UTF-8 无 BOM 格式 - 标签列若为字符串（如 "Positive"/"Negative"），必须先用
mlContext.Transforms.Conversion.MapValueToKey("Label")转键值，再传给训练器 - 文本列若为空，
TextClassificationTrainer默认跳过该样本；但若大量为空，模型评估指标（如 Accuracy）会虚高——建议提前过滤
Predict() 返回结果怎么看？
调用 model.CreatePredictionEngine<sentimentdata sentimentprediction>().Predict(input)</sentimentdata> 后，SentimentPrediction 类里关键字段是：PredictedLabel（预测类别，如 1）、Score（float[2] 数组，索引 0 是负面置信度，1 是正面置信度）。
OpenClaw 技能 — 给定一个 GitHub 仓库 URL，自动解析出 owner/repo 名称，发现其中的 YAML/properties 配置文件及其配对的中文字段说明；在 `workspace/{repo}/` 目录下按同步日期（格式为 `YYYY-MM-DD`）创建时间戳子目录；写入 `.openclaw-config-state.json` 状态文件。每次用户提问前，先比对远程仓库当前 ref（如 `main` 或 `master`）的最新提交 SHA 与本地状态文件中记录的 SHA：
容易踩的坑：Score 不是概率，而是未经 softmax 的 logits；直接比较 Score[0] 和 Score[1] 即可判断倾向，但别当成 0~1 区间概率使用。
- 若需近似概率，可用
Enumerable.Zip(Score, model.Model.GetOutputSchema().GetColumnOrNull("Score").Type.GetItemType().AsVector()).Select(x => (float)Math.Exp(x.Item1)).ToArray()手动 softmax（不推荐，性能差） - 更稳妥做法：训练时加
.Append(mlContext.Transforms.Conversion.MapKeyToValue("PredictedLabel"))，让输出直接带原始标签名（如 "Positive"） - 部署时注意：每次调用
Predict()都不触发重新训练，但PredictionEngine不是线程安全的——高并发需用PredictionEnginePool
为什么本地跑通了，发布到 Linux 容器就报 DllNotFoundException: libdl.so？
这是 ML.NET 运行时依赖缺失的典型表现。ML.NET 的 TextClassificationTrainer 底层依赖 Intel MKL 或系统级 BLAS 实现，在 Alpine Linux 等精简镜像中默认不带 libdl、libgfortran 等库。
不是 .NET 版本问题，也不是代码写错，而是容器环境缺原生依赖。
- Dockerfile 中加一句：
RUN apk add --no-cache openblas gfortran（Alpine）或apt-get install -y libgfortran5 libopenblas-base（Debian） - 避免用
mcr.microsoft.com/dotnet/aspnet:8.0-alpine，改用:8.0-slim或:8.0基础镜像 - 若仍失败，临时降级到 ML.NET 3.0（纯托管实现，无 native 依赖），但会损失约 30% 推理速度
真正麻烦的从来不是写几行 Fit() 和 Predict()，而是数据清洗的边界 case、容器里看不见的 so 文件、还有 Score 数组到底哪个下标对应“正面”——这些细节不手动试三遍根本记不住。
