microsoftml.categorical: Convierte una columna de texto en categorías

Usage

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)

Description

Transformada categórica que puede realizarse sobre datos antes de entrenar un modelo.

Detalles

La categorical transformación pasa por un conjunto de datos, operando sobre columnas de texto, para construir un diccionario de categorías. Para cada fila, toda la cadena de texto que aparece en la columna de entrada se define como una categoría. La salida de la transformada categórica es un vector indicador. Cada ranura de este vector corresponde a una categoría del diccionario, por lo que su longitud es el tamaño del diccionario compilado. La transformada categórica puede aplicarse a una o más columnas, en cuyo caso construye un diccionario separado para cada columna a la que se aplica.

categorical actualmente no está soportado para manejar datos factores.

Argumentos

cols

Una cadena de caracteres o lista de nombres de variables para transformar. Si dict, las claves representan los nombres de nuevas variables a crear.

output_kind

Una cadena de caracteres que especifica el tipo de salida de la fuente.

  • "Bag": Genera un vector multiconjunto. Si la columna de entrada es un vector de categorías, la salida contiene un vector, donde el valor en cada ranura es el número de ocurrencias de la categoría en el vector de entrada. Si la columna de entrada contiene una sola categoría, el vector indicador y el vector de bolsa son equivalentes

  • "Ind": Genera un vector indicador. La columna de entrada es un vector de categorías, y la salida contiene un vector indicador por ranura en la columna de entrada.

  • "Key": Genera un índice. La salida es un ID entero (entre 1 y el número de categorías en el diccionario) de la categoría.

  • "Bin": Produce un vector que es la representación binaria de la categoría.

El valor por defecto es "Ind".

max_num_terms

Un entero que especifica el número máximo de categorías a incluir en el diccionario. El valor por defecto es 1000000.

términos

Vector de caracteres opcional de términos o categorías.

sort

Una cadena de caracteres que especifica los criterios de ordenación.

  • "Occurrence": Ordenar las categorías por ocurrencias. La más frecuente es la primera.

  • "Value": Ordenar categorías por valores.

text_key_values

Si los metadatos clave-valor deben ser texto, independientemente del tipo de entrada real.

kargs

Argumentos adicionales enviados al motor de proceso.

Returns

Objeto que define la transformación.

Example

'''
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())

Salida:

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

Contenido relacionado

  • Last updated on