microsoftml.rx_predict: Puntuaciones usando un modelo de aprendizaje automático Microsoft

Usage

microsoftml.rx_predict(model,
    data: typing.Union[revoscalepy.datasource.RxDataSource.RxDataSource,
    pandas.core.frame.DataFrame],
    output_data: typing.Union[revoscalepy.datasource.RxDataSource.RxDataSource,
    str] = None, write_model_vars: bool = False,
    extra_vars_to_write: list = None, suffix: str = None,
    overwrite: bool = False, data_threads: int = None,
    blocks_per_read: int = None, report_progress: int = None,
    verbose: int = 1,
    compute_context: revoscalepy.computecontext.RxComputeContext.RxComputeContext = None,
    **kargs)

Description

La puntuación por instancia de informes resulta en un data frame o una fuente de datos revoscalepy utilizando un modelo entrenado de Microsoft ML Machine Learning con fuente arevoscalepydata.

Detalles

Los siguientes elementos se reportan por defecto en la salida: puntuación en tres variables para los clasificadores binarios: Etiqueta Predicha, Puntuación y Probabilidad; la puntuación para oneClassSvm y clasificadores de regresión; PredictedLabel para clasificadores multiclase, más una variable para cada categoría que precede la Puntuación.

Argumentos

model

Un objeto de información del modelo devuelto desde un modelo microsoftml. Por ejemplo, un objeto devuelto desde rx_fast_trees o rx_logistic_regression.

datos

Un objeto fuente de datos revoscalepy , un marco de datos o la ruta hacia un .xdf archivo.

output_data

Salida de texto o nombre de archivo xdf o con RxDataSource capacidades de escritura en las que almacenar datos transformados. Si no hay ninguno, se devuelve un dataframe. El valor predeterminado es None.

write_model_vars

Si True, las variables del modelo se escriben en el conjunto de datos de salida además de las variables de puntuación. Si las variables del conjunto de datos de entrada se transforman en el modelo, también se incluyen las variables transformadas. El valor por defecto es False.

extra_vars_to_write

None o vector de caracteres de variables adicionales, nombres de los datos de entrada para incluir en el output_data. Si write_model_vars es True, también se incluyen variables del modelo. El valor por defecto es None.

Sufijo

Una cadena de caracteres que especifica el sufijo para añadir a la(s) variable(s) de puntuación creada(s) o None en ella no hay sufijo. El valor por defecto es None.

sobrescribir

Si True, un existente output_data es sobrescrito; si False un existente output_data no está sobrescrito. El valor por defecto es False.

data_threads

Un entero que especifica el grado deseado de paralelismo en la cadena de datos. Si no es ninguno, el número de hilos utilizados se determina internamente. El valor predeterminado es None.

blocks_per_read

Especifica el número de bloques que se van a leer para cada fragmento de datos leídos desde el origen de datos.

report_progress

Valor entero que especifica el nivel de informes sobre el progreso del procesamiento de filas:

0: no se notifica ningún progreso.
1: el número de filas procesadas se imprime y actualiza.
2: se notifican filas procesadas y tiempos.
3: se notifican filas procesadas y todos los intervalos.

El valor por defecto es 1.

excesivamente detallado

Valor entero que especifica la cantidad de salida deseada. Si 0es , no se imprime ninguna salida detallada durante los cálculos. Valores enteros de 1 para 4 proporcionar cantidades crecientes de información. El valor por defecto es 1.

compute_context

Establece el contexto en el que se ejecutan los cálculos, especificados con una revoscalepy válida. RxComputeContext. Actualmente local y revoscalepy. Se admiten contextos de proceso RxInSqlServer.

kargs

Argumentos adicionales enviados al motor de proceso.

Returns

Un marco de datos o una revoscalpía. El objeto RxDataSource representa los datos de salida creados. Por defecto, la salida de los clasificadores binarios de puntuación incluye tres variables: PredictedLabel, Score, y Probability; rx_oneclass_svm y la regresión incluye una variable: Score; y los clasificadores multiclase incluyen PredictedLabel más una variable para cada categoría antepuesta por Score. Si se proporciona a suffix , se añade al final de estos nombres de variables de salida.

Ejemplo de clasificación binaria

'''
Binary Classification.
'''
import numpy
import pandas
from microsoftml import rx_fast_linear, rx_predict
from revoscalepy.etl.RxDataStep import rx_data_step
from microsoftml.datasets.datasets import get_dataset

infert = get_dataset("infert")

import sklearn
if sklearn.__version__ < "0.18":
    from sklearn.cross_validation import train_test_split
else:
    from sklearn.model_selection import train_test_split

infertdf = infert.as_df()
infertdf["isCase"] = infertdf.case == 1
data_train, data_test, y_train, y_test = train_test_split(infertdf, infertdf.isCase)

forest_model = rx_fast_linear(
    formula=" isCase ~ age + parity + education + spontaneous + induced ",
    data=data_train)
    
# RuntimeError: The type (RxTextData) for file is not supported.
score_ds = rx_predict(forest_model, data=data_test,
                     extra_vars_to_write=["isCase", "Score"])
                     
# Print the first five rows
print(rx_data_step(score_ds, number_rows_read=5))

Salida:

Automatically adding a MinMax normalization transform, use 'norm=Warn' or 'norm=No' to turn this behavior off.
Beginning processing data.
Rows Read: 186, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 186, Read Time: 0.001, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 186, Read Time: 0.001, Transform Time: 0
Beginning processing data.
Using 2 threads to train.
Automatically choosing a check frequency of 2.
Auto-tuning parameters: maxIterations = 8064.
Auto-tuning parameters: L2 = 2.666837E-05.
Auto-tuning parameters: L1Threshold (L1/L2) = 0.
Using best model from iteration 590.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.6058289
Elapsed time: 00:00:00.0084728
Beginning processing data.
Rows Read: 62, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.0302359
Finished writing 62 rows.
Writing completed.
Rows Read: 5, Total Rows Processed: 5, Total Chunk Time: 0.001 seconds 
  isCase PredictedLabel     Score  Probability
0  False           True  0.576775     0.640325
1  False          False -2.929549     0.050712
2   True          False -2.370090     0.085482
3  False          False -1.700105     0.154452
4  False          False -0.110981     0.472283

Ejemplo de regresión

'''
Regression.
'''
import numpy
import pandas
from microsoftml import rx_fast_trees, rx_predict
from revoscalepy.etl.RxDataStep import rx_data_step
from microsoftml.datasets.datasets import get_dataset

airquality = get_dataset("airquality")

import sklearn
if sklearn.__version__ < "0.18":
    from sklearn.cross_validation import train_test_split
else:
    from sklearn.model_selection import train_test_split

airquality = airquality.as_df()


######################################################################
# Estimate a regression fast forest
# Use the built-in data set 'airquality' to create test and train data

df = airquality[airquality.Ozone.notnull()]
df["Ozone"] = df.Ozone.astype(float)

data_train, data_test, y_train, y_test = train_test_split(df, df.Ozone)

airFormula = " Ozone ~ Solar_R + Wind + Temp "

# Regression Fast Forest for train data
ff_reg = rx_fast_trees(airFormula, method="regression", data=data_train)

# Put score and model variables in data frame
score_df = rx_predict(ff_reg, data=data_test, write_model_vars=True)
print(score_df.head())

# Plot actual versus predicted values with smoothed line
# Supported in the next version.
# rx_line_plot(" Score ~ Ozone ", type=["p", "smooth"], data=score_df)