Composant Fractionner des données

Cet article décrit un composant dans le concepteur Azure Machine Learning.

Utilisez le composant Fractionner les données pour diviser un jeu de données en deux jeux distincts.

Ce composant est utile quand vous devez séparer des données en jeux d’entraînement et de test. Vous pouvez également personnaliser la façon dont les données sont divisées. Certaines options prennent en charge la randomisation des données. D’autres sont adaptées à un type de données ou à un type de modèle spécifique.

Configurer le composant

Conseil

Avant de choisir le mode de fractionnement, prenez connaissance de toutes les options afin de déterminer le type de fractionnement adapté à vos besoins. Si vous changez le mode de fractionnement, toutes les autres options peuvent être réinitialisées.

1. Ajoutez le composant Fractionner les données à votre pipeline dans le concepteur. Ce composant est disponible sous Transformation des données, dans la catégorie Échantillonner et fractionner.

2. Mode de fractionnement : Choisissez l’un des modes suivants, selon le type de données dont vous disposez et la manière dont vous souhaitez les diviser. Chaque mode de fractionnement s'accompagne de différentes options.

   • Fractionner les lignes : Utilisez cette option pour diviser simplement les données en deux parties. Vous pouvez spécifier le pourcentage de données de chaque fractionnement. Par défaut, les données sont divisées à 50/50.

     Vous pouvez également rendre aléatoire la sélection des lignes de chaque groupe et utiliser l’échantillonnage stratifié. Dans l’échantillonnage stratifié, vous devez sélectionner une seule colonne de données pour laquelle vous souhaitez que les valeurs soient équitablement réparties entre les deux jeux de données de résultats.

   • Fractionnement Expression régulière Choisissez cette option si vous souhaitez diviser votre jeu de données en testant une seule colonne pour une valeur.

     Par exemple, si vous analysez les sentiments, vous pouvez vérifier la présence d’un nom de produit particulier dans un champ de texte. Vous pouvez ensuite diviser le jeu de données en lignes avec le nom de produit cible et en lignes sans le nom de produit cible.

   • Fractionnement Expression relative : Utilisez cette option si vous souhaitez appliquer une condition à une colonne numérique. Le nombre peut correspondre à un champ de date/heure, une colonne qui contient un âge ou des montants en dollars, voire un pourcentage. Par exemple, vous souhaiterez peut-être diviser votre jeu de données en fonction du prix des éléments, grouper des personnes par tranches d’âge ou séparer les données par date.

Fractionner les lignes

1. Ajoutez le composant Fractionner les données à votre pipeline dans le concepteur et connectez le jeu de données que vous souhaitez fractionner.

2. Pour Mode de fractionnement, sélectionnez Lignes fractionnées.

3. Fraction de lignes dans le premier jeu de données de sortie : utilisez cette option pour déterminer le nombre de lignes de la première sortie (côté gauche). Toutes les autres lignes rejoindront la deuxième sortie (côté droit).

   Le rapport représente le pourcentage de lignes envoyées au premier jeu de données de sortie, et vous devez entrer un nombre décimal compris entre 0 et 1.

   Par exemple, si vous entrez 0.75 comme valeur, le jeu de données est fractionné à 75/25. Dans ce fractionnement, 75 % des lignes sont envoyées au premier jeu de données de sortie. Les 25 % restants sont envoyés au second jeu de données de sortie.

4. Sélectionnez l'option Fractionnement aléatoire si vous souhaitez rendre aléatoire la sélection de données dans les deux groupes. Cette option est recommandée quand vous créez des jeux de données d’entraînement et de test.

5. Random Seed : Ce paramètre sera ignoré si le paramètre fractionnement aléatoire est réglé sur faux. Sinon, entrez une valeur entière non négative pour commencer la séquence pseudo-aléatoire d'instances à utiliser. Cette valeur de départ par défaut est utilisée dans tous les composants qui génèrent des nombres aléatoires.

   La spécification d’une valeur de départ rend les résultats reproductibles. Si vous devez répéter les résultats d'une opération de fractionnement, vous devez spécifier le même numéro de départ pour le générateur de nombres aléatoires.

6. Fractionnement stratifié : Définissez cette option sur True pour vous assurer que les deux jeux de données de sortie contiennent un échantillon représentatif des valeurs dans la colonne de strate ou la colonne clé de stratification.

   Avec un échantillonnage stratifié, les données sont divisées de manière à ce que chaque jeu de données de sortie obtienne approximativement le même pourcentage de chaque valeur cible. Par exemple, vous souhaiterez peut-être que vos jeux d’entraînement et de test soient globalement équilibrés en termes de résultat ou autres (comme le genre).

7. Envoyez le pipeline.

Sélectionner une expression régulière

1. Ajoutez le composant Fractionner les données à votre pipeline et connectez-le en tant qu’entrée au jeu de données que vous souhaitez fractionner.

2. Pour Mode de fractionnement, sélectionnez Fractionnement Expression régulière.

3. Dans la zone Expression régulière, entrez une expression régulière valide.

   L’expression régulière doit respecter la syntaxe Python des expressions régulières.

4. Envoyez le pipeline.

   En fonction de l’expression régulière entrée, le jeu de données est divisé en deux ensembles de lignes : les lignes avec des valeurs correspondant à l’expression et les autres.

Les exemples suivants montrent comment diviser un jeu de données à l’aide de l’option Expression régulière.

Mot entier unique

Cet exemple place dans le premier jeu de données toutes les lignes qui contiennent le texte Gryphon dans la colonne Text. Il place les autres lignes dans la deuxième sortie de Fractionner les données.

    \"Text" Gryphon  

Substring

Cet exemple recherche la chaîne spécifiée dans n’importe quelle position dans la deuxième colonne du jeu de données. La position est indiquée ici par la valeur d’index 1. La recherche de correspondance respecte la casse.

(\1) ^[a-f]

Le premier jeu de données de résultats contient toutes les lignes où la colonne d’index commence par l’un des caractères suivants : a, b, c, d, e, f. Toutes les autres lignes sont dirigées vers la deuxième sortie.

Sélectionner une expression relative

1. Ajoutez le composant Fractionner les données à votre pipeline et connectez-le en tant qu’entrée au jeu de données que vous souhaitez fractionner.

2. Pour Mode de fractionnement, sélectionnez Expression relative.

3. Dans la zone Expression relationnelle, entrez une expression qui effectue une opération de comparaison sur une seule colonne.

   Pour Colonne numérique :

   • La colonne contient des nombres de n’importe quel type de données numérique, y compris les types de données date et heure.
   • L’expression peut faire référence à un nom de colonne.
   • Utilisez le caractère esperluette, &, pour l’opération ET. Utilisez le caractère de barre verticale, |, pour l’opération OU.
   • Les opérateurs suivants sont pris en charge : <, >, <=, >=, ==, !=.
   • Vous ne pouvez pas regrouper les opérations en utilisant ( et ).

   Pour Colonne de chaîne :

   • Les opérateurs suivants sont pris en charge : ==, !=.

4. Envoyez le pipeline.

   L’expression divise le jeu de données en deux ensembles de lignes : les lignes avec des valeurs correspondant à la condition, et les autres.

Les exemples suivants montrent comment diviser un jeu de données à l’aide de l’option Expression régulière dans le composant Fractionner les données.

Année civile

Un scénario courant consiste à diviser un jeu de données par années. L’expression suivante sélectionne toutes les lignes où les valeurs dans la colonne Year sont supérieures à 2010.

\"Year" > 2010

L’expression de date doit tenir compte de toutes les parties de date incluses dans la colonne de données. Le format des dates dans la colonne de données doit être cohérent.

Par exemple, dans une colonne de date qui utilise le format mmddyyyy, l’expression doit être semblable à ce qui suit :

\"Date" > 1/1/2010

Index de colonne

L'expression suivante montre comment utiliser l'index de colonne pour sélectionner toutes les lignes dans la première colonne du jeu de données, qui contiennent des valeurs inférieures ou égales à 30, mais différentes de 20.

(\0)<=30 & !=20

Étapes suivantes

Consultez les composants disponibles pour Azure Machine Learning.