categorical: transformación categórica de datos de Machine Learning

Transformación categórica que se puede realizar en los datos antes de entrenar un modelo.

Uso

  categorical(vars, outputKind = "ind", maxNumTerms = 1e+06, terms = "",
    ...)

Argumentos

vars

Vector de caracteres o lista de nombres de variables que se transformarán. Si tiene nombre, los nombres representan los nombres de las nuevas variables que se crearán.

outputKind

Cadena de caracteres que especifica el tipo de salida.

  • "ind": genera un vector de indicador. La columna de entrada es un vector de categorías y la salida contiene un vector de indicador por cada ranura en la columna de entrada.
  • "bag": genera un vector de conjunto múltiple. Si la columna de entrada es un vector de categorías, la salida contiene un vector, donde el valor de cada ranura es el número de apariciones de la categoría en el vector de entrada. Si la columna de entrada contiene una sola categoría, el vector de indicador y el vector de bolsa son equivalentes
  • "key": genera un índice. La salida es un identificador entero (entre 1 y el número de categorías del diccionario) de la categoría.
    El valor predeterminado es "ind".

maxNumTerms

Entero que especifica el número máximo de categorías que se van a incluir en el diccionario. El valor predeterminado es 1000000.

terms

Vector de carácter opcional de términos o categorías.

...

Argumentos adicionales que se envían al motor de proceso.

Detalles

La transformación categorical pasa por un conjunto de datos operando en las columnas de texto para generar un diccionario de categorías. Para cada fila, la cadena de texto completa que aparece en la columna de entrada se define como una categoría. La salida de la transformación categórica es un vector de indicador. Cada ranura de este vector corresponde a una categoría del diccionario, por lo que su longitud es el tamaño del diccionario que se ha creado. La transformación categórica se puede aplicar a una o varias columnas, en cuyo caso crea un diccionario independiente para cada columna a la que se aplica.

categorical actualmente no se admite para controlar los datos de factor.

Value

Un objeto maml que define la transformación.

Autores

Microsoft Corporation Microsoft Technical Support

Consulte también

rxFastTrees, rxFastForest, rxNeuralNet, rxOneClassSvm, rxLogisticRegression.

Ejemplos


 trainReviews <- data.frame(review = c( 
         "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 = c(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), stringsAsFactors = FALSE
     )

     testReviews <- data.frame(review = c(
         "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"), stringsAsFactors = FALSE)


 # Use a categorical transform: the entire string is treated as a category
 outModel1 <- rxLogisticRegression(like~reviewCat, data = trainReviews, 
     mlTransforms = list(categorical(vars = c(reviewCat = "review"))))
 # Note that 'I hate it' and 'I love it' (the only strings appearing more than once)
 # have non-zero weights
 summary(outModel1)

 # Use the model to score
 scoreOutDF1 <- rxPredict(outModel1, data = testReviews, 
     extraVarsToWrite = "review")
 scoreOutDF1