FeaturizationConfig Klasse

Definiert die Konfiguration der Featurisierung für Experimente zum automatisierten maschinellen Lernen in Azure Machine Learning.

Verwenden Sie die FeaturizationConfig-Klasse im featurization-Parameter der AutoMLConfig-Klasse. Weitere Informationen finden Sie unter Konfigurieren automatisierter ML-Experimente.

Erstellen Sie eine FeaturizationConfig.

Vererbung

builtins.object

FeaturizationConfig

Konstruktor

FeaturizationConfig(blocked_transformers: List[str] | None = None, column_purposes: Dict[str, str] | None = None, transformer_params: Dict[str, List[Tuple[List[str], Dict[str, Any]]]] | None = None, drop_columns: List[str] | None = None, dataset_language: str | None = None, prediction_transform_type: str | None = None)

Parameter

blocked_transformers

list(str)

Standardwert: None

Eine Liste von Transformatornamen, die während der Featurisierung blockiert werden sollen.

column_purposes

dict

Standardwert: None

Ein Wörterbuch mit Spaltennamen und Featuretypen, die zum Aktualisieren des Spaltenzwecks verwendet werden.

transformer_params

dict

Standardwert: None

Ein Wörterbuch mit Transformatoren und entsprechenden Anpassungsparametern.

drop_columns

list(str)

Standardwert: None

Eine Liste von Spalten, die im Featurisierungsprozess ignoriert werden sollen. Diese Einstellung wird als veraltet eingestuft. Löschen Sie im Rahmen des Datenaufbereitungsprozesses Spalten aus den Datasets, bevor Sie die Datasets für automatisiertes maschinelles Lernen bereitstellen.

prediction_transform_type

str

Standardwert: None

Str des Zieltransformationstyps, der zum Umwandeln des Zielspaltentyps verwendet werden soll.

blocked_transformers

list(str)

Erforderlich

Eine Liste von Transformatornamen, die während der Featurisierung blockiert werden sollen.

column_purposes

dict

Erforderlich

Ein Wörterbuch mit Spaltennamen und Featuretypen, die zum Aktualisieren des Spaltenzwecks verwendet werden.

transformer_params

dict

Erforderlich

Ein Wörterbuch mit Transformatoren und entsprechenden Anpassungsparametern.

drop_columns

list(str)

Erforderlich

Eine Liste von Spalten, die im Featurisierungsprozess ignoriert werden sollen. Diese Einstellung wird als veraltet eingestuft. Löschen Sie im Rahmen des Datenaufbereitungsprozesses Spalten aus den Datasets, bevor Sie die Datasets für automatisiertes maschinelles Lernen bereitstellen.

dataset_language

str

Standardwert: None

Iso 639-3-Code mit drei Zeichen für die Sprache(en) im Dataset. Andere Sprachen als Englisch werden nur unterstützt, wenn Sie GPU-fähiges Compute verwenden. Die langugage_code "mul" sollte verwendet werden, wenn das Dataset mehrere Sprachen enthält. Iso 639-3-Codes für verschiedene Sprachen finden Sie unter https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes.

prediction_transform_type

str

Erforderlich

Str des Zieltransformationstyps, der zum Umwandeln des Zielspaltentyps verwendet werden soll.

Hinweise

Die Anpassung der Featurisierung verfügt über Methoden für folgende Aufgaben:

• Hinzufügen oder Entfernen des Spaltenzwecks. Mit den Methoden add_column_purpose und remove_column_purpose können Sie den Featuretyp für angegebene Spalten überschreiben, z. B. wenn der Featuretyp der Spalte den Zweck nicht richtig wiedergibt. Die add-Methode unterstützt das Hinzufügen aller Featuretypen, die im FULL_SET-Attribut der FeatureType-Klasse angegeben sind.

• Hinzufügen oder Entfernen von Transformatorparametern. Mit den Methoden add_transformer_params und remove_transformer_params können Sie die Parameter anpassbarer Transformatoren wie Imputer, HashOneHotEncoder und TfIdf ändern. Anpassbare Transformatoren werden im CUSTOMIZABLE_TRANSFORMERS-Attribut der SupportedTransformers-Klasse aufgeführt. Verwenden Sie get_transformer_params, um nach Anpassungsparametern zu suchen.

• Blockieren von Transformatoren. Blockieren Sie mit der Methode add_blocked_transformers Transformatoren, die für den Featurisierungsprozess verwendet werden sollen. Bei den Transformatoren muss es sich um einen der Transformatoren handeln, die im BLOCKED_TRANSFORMERS-Attribut der SupportedTransformers-Klasse aufgeführt sind.

• Fügen Sie mit der Methode add_drop_columns eine zu löschende Spalte hinzu, die bei Featurisierung und Training ignoriert werden soll. Beispielsweise können Sie eine Spalte verwerfen, die keine nützlichen Informationen enthält.

• Hinzufügen oder Entfernen des Vorhersagetransformationstyps. Mit den Methoden add_prediction_transform_type und

remove_prediction_transform_type können Sie den vorhandenen Zielspaltentyp außer Kraft setzen. Vorhersagetransformationstypen sind im PredictionTransformTypes-Attribut aufgeführt.

Das folgende Codebeispiel zeigt, wie Sie die Featurisierung in automatisiertem maschinellem Lernen vorhersagen. Im Beispielcode werden das Löschen einer Spalte und das Hinzufügen von Transformationsparametern gezeigt.

   featurization_config = FeaturizationConfig()
   # Force the CPWVOL5 feature to be numeric type.
   featurization_config.add_column_purpose("CPWVOL5", "Numeric")
   # Fill missing values in the target column, Quantity, with zeros.
   featurization_config.add_transformer_params(
       "Imputer", ["Quantity"], {"strategy": "constant", "fill_value": 0}
   )
   # Fill missing values in the INCOME column with median value.
   featurization_config.add_transformer_params(
       "Imputer", ["INCOME"], {"strategy": "median"}
   )
   # Fill missing values in the Price column with forward fill (last value carried forward).
   featurization_config.add_transformer_params("Imputer", ["Price"], {"strategy": "ffill"})

Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/forecasting-orange-juice-sales/auto-ml-forecasting-orange-juice-sales.ipynb.

Das nächste Beispiel zeigt das Anpassen der Featurisierung für ein Regressionsproblem mithilfe des Datasets zur Hardwareleistung. Im Beispielcode wird ein blockierter Transformator definiert. Außerdem werden Spaltenzwecke und Transformatorparameter hinzugefügt.

   featurization_config = FeaturizationConfig()
   featurization_config.blocked_transformers = ["LabelEncoder"]
   # featurization_config.drop_columns = ['MMIN']
   featurization_config.add_column_purpose("MYCT", "Numeric")
   featurization_config.add_column_purpose("VendorName", "CategoricalHash")
   # default strategy mean, add transformer param for for 3 columns
   featurization_config.add_transformer_params("Imputer", ["CACH"], {"strategy": "median"})
   featurization_config.add_transformer_params(
       "Imputer", ["CHMIN"], {"strategy": "median"}
   )
   featurization_config.add_transformer_params(
       "Imputer", ["PRP"], {"strategy": "most_frequent"}
   )
   # featurization_config.add_transformer_params('HashOneHotEncoder', [], {"number_of_bits": 3})

Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb.

Die im obigen Codebeispiel definierte Featurisierungskonfiguration (FeaturizationConfig) kann dann wie im nächsten Codebeispiel gezeigt in der Konfiguration eines Experiments für automatisiertes maschinelles Lernen verwendet werden.

   automl_settings = {
       "enable_early_stopping": True,
       "experiment_timeout_hours": 0.25,
       "max_concurrent_iterations": 4,
       "max_cores_per_iteration": -1,
       "n_cross_validations": 5,
       "primary_metric": "normalized_root_mean_squared_error",
       "verbosity": logging.INFO,
   }

   automl_config = AutoMLConfig(
       task="regression",
       debug_log="automl_errors.log",
       compute_target=compute_target,
       featurization=featurization_config,
       training_data=train_data,
       label_column_name=label,
       **automl_settings,
   )

Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb.

Methoden

add_blocked_transformers	Hinzufügen zu blockierender Transformatoren.
add_column_purpose	Hinzufügen eines Featuretyps für die angegebene Spalte.
add_drop_columns	Fügen Sie einen zu ignorierenden Spaltennamen oder eine Liste von zu ignorierenden Spaltennamen hinzu.
add_prediction_transform_type	Fügen Sie einen Vorhersagetransformationstyp für die Zielspalte hinzu. PredictionTransformTypes -Klasse. :type prediction_transform_type: str
add_transformer_params	Hinzufügen angepasster Transformatorparameter zur Liste der benutzerdefinierten Transformatorparameter. Gilt für alle Spalten, wenn die Spaltenliste leer ist.
get_transformer_params	Abrufen der Anpassungsparameter für Transformatoren für Spalten.
remove_column_purpose	Entfernen des Featuretyps für die angegebene Spalte. Wenn für eine Spalte kein Feature angegeben ist, wird das erkannte Standardfeature verwendet.
remove_prediction_transform_type	Setzt den Vorhersagetransformationstyp für die Zielspalte auf den Standardwert zurück.
remove_transformer_params	Entfernen der Anpassungsparameter für Transformatoren für eine bestimmte Spalte oder alle Spalten.

add_blocked_transformers

Hinzufügen zu blockierender Transformatoren.

add_blocked_transformers(transformers: str | List[str]) -> None

Parameter

transformers

str oder list[str]

Erforderlich

Ein Transformatorname oder eine Liste von Transformatornamen. Bei den Transformatornamen muss es sich um einen der Transformatoren handeln, die im BLOCKED_TRANSFORMERS-Attribut der SupportedTransformers-Klasse aufgeführt sind.

add_column_purpose

Hinzufügen eines Featuretyps für die angegebene Spalte.

add_column_purpose(column_name: str, feature_type: str) -> None

Parameter

column_name

str

Erforderlich

Ein zu aktualisierender Spaltenname.

feature_type

FeatureType

Erforderlich

Ein Featuretyp, der für die Spalte verwendet werden soll. Bei den Featuretypen muss es sich um einen der Typen handeln, die im FULL_SET-Attribut der FeatureType-Klasse angegeben sind.

add_drop_columns

Fügen Sie einen zu ignorierenden Spaltennamen oder eine Liste von zu ignorierenden Spaltennamen hinzu.

add_drop_columns(drop_columns: str | List[str]) -> None

Parameter

drop_columns

str oder list[str]

Erforderlich

Ein Spaltenname oder eine Liste von Spaltennamen.

add_prediction_transform_type

Fügen Sie einen Vorhersagetransformationstyp für die Zielspalte hinzu.

PredictionTransformTypes -Klasse. :type prediction_transform_type: str

add_prediction_transform_type(prediction_transform_type: str) -> None

Parameter

prediction_transform_type

Erforderlich

Ein für die Umwandlung der Zielspalte zu verwendender Vorhersagetransformationstyp. Featuretypen müssen angegeben werden im FULL_SET-Attribut der

add_transformer_params

Hinzufügen angepasster Transformatorparameter zur Liste der benutzerdefinierten Transformatorparameter.

Gilt für alle Spalten, wenn die Spaltenliste leer ist.

add_transformer_params(transformer: str, cols: List[str], params: Dict[str, Any]) -> None

Parameter

transformer

str

Erforderlich

Name des Transformators. Beim Transformatornamen muss es sich um einen der Namen handeln, die im CUSTOMIZABLE_TRANSFORMERS-Attribut der SupportedTransformers-Klasse aufgeführt sind.

cols

list(str)

Erforderlich

Die Eingabespalten für den angegebenen Transformator. Einige Transformatoren akzeptieren mehrere als Liste angegebene Spalten als Eingabe.

params

dict

Erforderlich

Ein Wörterbuch mit Schlüsselwörtern und Argumenten.

Hinweise

Das folgende Codebeispiel zeigt, wie Sie die Featurisierung in automatisiertem maschinellem Lernen vorhersagen. Im Beispielcode werden das Löschen einer Spalte und das Hinzufügen von Transformationsparametern gezeigt.

   featurization_config = FeaturizationConfig()
   # Force the CPWVOL5 feature to be numeric type.
   featurization_config.add_column_purpose("CPWVOL5", "Numeric")
   # Fill missing values in the target column, Quantity, with zeros.
   featurization_config.add_transformer_params(
       "Imputer", ["Quantity"], {"strategy": "constant", "fill_value": 0}
   )
   # Fill missing values in the INCOME column with median value.
   featurization_config.add_transformer_params(
       "Imputer", ["INCOME"], {"strategy": "median"}
   )
   # Fill missing values in the Price column with forward fill (last value carried forward).
   featurization_config.add_transformer_params("Imputer", ["Price"], {"strategy": "ffill"})

Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/forecasting-orange-juice-sales/auto-ml-forecasting-orange-juice-sales.ipynb.

get_transformer_params

Abrufen der Anpassungsparameter für Transformatoren für Spalten.

get_transformer_params(transformer: str, cols: List[str]) -> Dict[str, Any]

Parameter

transformer

str

Erforderlich

Der Name des Transformators. Beim Transformatornamen muss es sich um einen der Namen handeln, die im CUSTOMIZABLE_TRANSFORMERS-Attribut der SupportedTransformers-Klasse aufgeführt sind.

cols

list[str]

Erforderlich

Die Spaltennamen, für die Informationen abgerufen werden sollen. Verwenden Sie eine leere Liste, um alle Spalten anzugeben.

Gibt zurück

Einstellungen der Transformatorparameter.

Rückgabetyp

dict

remove_column_purpose

Entfernen des Featuretyps für die angegebene Spalte.

Wenn für eine Spalte kein Feature angegeben ist, wird das erkannte Standardfeature verwendet.

remove_column_purpose(column_name: str) -> None

Parameter

column_name

str

Erforderlich

Der zu aktualisierende Spaltenname.

remove_prediction_transform_type

Setzt den Vorhersagetransformationstyp für die Zielspalte auf den Standardwert zurück.

remove_prediction_transform_type() -> None

remove_transformer_params

Entfernen der Anpassungsparameter für Transformatoren für eine bestimmte Spalte oder alle Spalten.

remove_transformer_params(transformer: str, cols: List[str] | None = None) -> None

Parameter

transformer

str

Erforderlich

Name des Transformators. Beim Transformatornamen muss es sich um einen der Namen handeln, die im CUSTOMIZABLE_TRANSFORMERS-Attribut der SupportedTransformers-Klasse aufgeführt sind.

cols

list[str] oder None

Standardwert: None

Die Namen der Spalten, aus denen Anpassungsparameter entfernt werden sollen. Geben Sie „None“ (Standardwert) an, um alle Anpassungsparameter für den angegebenen Transformator zu entfernen.

Attribute

blocked_transformers

column_purposes

dataset_language

drop_columns

prediction_transform_type

transformer_params