microsoftml.categorical: konvertiert eine Textspalte in Kategorien

Artikel
05/23/2023

Verwendung

microsoftml.categorical(cols: [str, dict, list], output_kind: ['Bag', 'Ind',
    'Key', 'Bin'] = 'Ind', max_num_terms: int = 1000000,
    terms: int = None, sort: ['Occurrence', 'Value'] = 'Occurrence',
    text_key_values: bool = False, **kargs)

BESCHREIBUNG

Kategorische Transformation, die auf Daten angewendet werden kann, bevor ein Modell trainiert wird.

Details

Die Transformation categorical durchläuft ein Dataset und wird auf Textspalten angewendet, um ein Kategoriewörterbuch zu erstellen. Für jede Zeile wird die gesamte Zeichenfolge in der Eingabespalte als Kategorie definiert. Die Ausgabe der kategorischen Transformation ist ein Indikatorvektor. Jeder Slot in diesem Vektor entspricht einer Kategorie im Wörterbuch, sodass seine Länge der Größe des erstellten Wörterbuchs entspricht. Die kategorische Transformation kann auf eine oder mehrere Spalten angewendet werden. In diesem Fall wird ein separates Wörterbuch für jede Spalte erstellt, auf die sie angewendet wird.

categorical wird derzeit nicht für die Verarbeitung von Faktordaten unterstützt.

Argumente

cols

Eine Zeichenfolge oder Liste mit den zu transformierenden Variablennamen. Falls dict, stellen die Schlüssel die Namen der neu zu erstellenden Variablen dar.

output_kind

Eine Zeichenfolge, die die Art der Ausgabe angibt.

"Bag": gibt einen Vektor mit mehreren Mengen aus. Wenn die Eingabespalte ein Vektor von Kategorien ist, enthält die Ausgabe einen Vektor, wobei der Wert in jedem Slot die Anzahl der Vorkommen der Kategorie im Eingabevektor ist. Falls die Eingabespalte eine einzige Kategorie enthält, sind Indikatorvektor und Behältervektor gleichwertig
"Ind": gibt einen Indikatorvektor aus. Die Eingabespalte ist ein Vektor von Kategorien, und die Ausgabe enthält einen Indikatorvektor pro Slot in der Eingabespalte.
"Key": gibt einen Index aus. Die Ausgabe ist eine ganzzahlige ID der Kategorie (im Bereich 1 bis zur Anzahl der Kategorien im Wörterbuch).
"Bin": gibt einen Vektor aus, der die binäre Darstellung der Kategorie ist.

Der Standardwert ist "Ind".

max_num_terms

Eine ganze Zahl, die die maximale Anzahl von Kategorien angibt, die in das Wörterbuch aufgenommen werden sollen. Der Standardwert ist 1000000.

terms

Optionaler Zeichenvektor für Terme oder Kategorien.

sort

Eine Zeichenfolge, die die Sortierkriterien angibt.

"Occurrence": sortiert Kategorien nach Vorkommen. Die häufigste ist das erste.
"Value": sortiert Kategorien nach Werten.

text_key_values

Gibt an, ob Metadaten von Schlüsselwerten unabhängig vom tatsächlichen Eingabetyp Text sein sollen.

kargs

Zusätzliche Argumente, die an die Compute-Engine gesendet werden.

Gibt zurück

Ein Objekt, das die Transformation definiert.

Siehe auch

categorical_hash

Beispiel

'''
Example on rx_logistic_regression and categorical.
'''
import numpy
import pandas
from microsoftml import rx_logistic_regression, categorical, rx_predict

train_reviews = pandas.DataFrame(data=dict(
    review=[
        "This is great", "I hate it", "Love it", "Do not like it", "Really like it",
        "I hate it", "I like it a lot", "I kind of hate it", "I do like it",
        "I really hate it", "It is very good", "I hate it a bunch", "I love it a bunch",
        "I hate it", "I like it very much", "I hate it very much.",
        "I really do love it", "I really do hate it", "Love it!", "Hate it!",
        "I love it", "I hate it", "I love it", "I hate it", "I love it"],
    like=[True, False, True, False, True, False, True, False, True, False,
        True, False, True, False, True, False, True, False, True, False, True,
        False, True, False, True]))
        
test_reviews = pandas.DataFrame(data=dict(
    review=[
        "This is great", "I hate it", "Love it", "Really like it", "I hate it",
        "I like it a lot", "I love it", "I do like it", "I really hate it", "I love it"]))

# Use a categorical transform: the entire string is treated as a category
out_model = rx_logistic_regression("like ~ reviewCat",
                data=train_reviews,
                ml_transforms=[categorical(cols=dict(reviewCat="review"))])
                
# Note that 'I hate it' and 'I love it' (the only strings appearing more than once)
# have non-zero weights.
print(out_model.coef_)

# Use the model to score.
source_out_df = rx_predict(out_model, data=test_reviews, extra_vars_to_write=["review"])
print(source_out_df.head())

Ausgabe:

Beginning processing data.
Rows Read: 25, Read Time: 0, Transform Time: 0
Beginning processing data.
Not adding a normalizer.
Beginning processing data.
Rows Read: 25, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 25, Read Time: 0, Transform Time: 0
Beginning processing data.
LBFGS multi-threading will attempt to load dataset into memory. In case of out-of-memory issues, turn off multi-threading by setting trainThreads to 1.
Warning: Too few instances to use 4 threads, decreasing to 1 thread(s)
Beginning optimization
num vars: 20
improvement criterion: Mean Improvement
L1 regularization selected 3 of 20 weights.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:01.6550695
Elapsed time: 00:00:00.2259981
OrderedDict([('(Bias)', 0.21317288279533386), ('I hate it', -0.7937591671943665), ('I love it', 0.19668534398078918)])
Beginning processing data.
Rows Read: 10, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.1385248
Finished writing 10 rows.
Writing completed.
           review PredictedLabel     Score  Probability
0   This is great           True  0.213173     0.553092
1       I hate it          False -0.580586     0.358798
2         Love it           True  0.213173     0.553092
3  Really like it           True  0.213173     0.553092
4       I hate it          False -0.580586     0.358798

Teilen über