微软更新了开源跨平台机器学习框架ML.NET，发布0.8版本，本次更新主要有四个部分，除了支持新的推荐场景，也以特征重要性增加了模型的可解释性，还让开发者能预览内存内数据集，提升整体可调试性，另外，ML.NET 0.8也强化了一系列API功能。
ML.NET允许开发者创建与使用常见使用场景的机器学习模型，进行情緒分析、问题分类、预测、推荐、欺诈侦测以及图像分类等工作，微软在这次更新更扩张了ML.NET 0.8可以应用的推荐场景。推荐系统可以为产品目录、歌曲或是电影等产品产生推荐列表，在许多网络应用已经广泛的使用这类技术，而ML.NET使用矩阵分解（Matrix Factorization）和场景分解机（Field Aware Factorization Machines）的推荐方法来实现推荐系统，通常场景分解机可以用在比矩阵分解更普遍的使用案例，也能传递额外的元数据。
而在ML.NET 0.8中，微软为矩阵分解增加了额外的推荐场景，现在开发者可以借由产品ID以及共同购买产品的ID推荐产品，也就是说，现在即便只有商店历史订购数据，依然可以使用ML.NET提供产品建议。微软提到，这是一种常见的使用场景，因为多数时候推荐系统并没有可用的评分，而在ML.NET 0.8中，利用历史购买数据依然可以向用户提供，通过经常购买产品所产生的建议列表。
此外，微软在ML.NET 0.8加入了一个方便的调试功能，开发者通过预览数据就能进行调试。在多数的情况下，开发者使用工作管线加载数据时，能审查加载到ML.NET DataView的数据，对调试很有帮助，确保数据经过各种转换步骤后，其处理仍在掌握之中。开发者现在可以审查DataView构架，只要将鼠标停留在IDataView对象上，就能扩展并审查构架属性。
在ML.NET0.8版本中，微软为ML.NET加入了内部使用来解释模型的API，帮助机器学习开发人员，更好地理解模型的整体特征重要性，并创建可被解释的模型。在创建机器学习模型的时候，开发者通常无法简单的预测和评价准确性，而总体特征重要性可以帮助开发者了解，对于整体模型而言最重要的特征是哪些，以便进行良好的预测，例如预测汽车价格时，里程和品牌可能比起颜色还要重要许多。
微软通过置换特征重要性（Permutation Feature Importance，PFI）技术，以实现整体特征重要性评价，PFI会对整个使用案例，将特征值设置为随机值，以评价该特征对模型的影响。微软表示，PFI方法的优点在于它与模型本身无关，可用于评价各种模型，且可以用于任何数据集，而不仅是训练数据集。
ML.NET 0.8也改进了一系列API相关功能，现在开发者可以在DataView中使用过滤器，针对用于训练模型的数据进行过滤，像是在发生数据异常的情况，删除特定数据列中特定边界之外的数值。开发者可以使用FilterByColumn（）等过滤器API完成相关的功能。
另外，当估算器要多次迭代数据，开发者也可以选择使用缓存API，暂时存储数据，减少从文件中读取数据的频率，以加快整体训练的执行速度。开发者也可以在IDataView（IDV）中，激活二进制格式保存与加载数据，以加速数据处理效率，微软举例，开发者在将文本特征转为稀疏矢量时，可以存为二进制格式，方便其他开发者重复进行实验。