Megosztás a következőn keresztül:

microsoftml.categorical_hash: Kivonatok és szövegoszlopok kategóriákká alakítása

Használat

microsoftml.categorical_hash(cols: [str, dict, list],
    hash_bits: int = 16, seed: int = 314489979,
    ordered: bool = True, invert_hash: int = 0,
    output_kind: ['Bag', 'Ind', 'Key', 'Bin'] = 'Bag', **kargs)

Leírás

Kategorikus kivonat-átalakítás, amely a modell betanítása előtt elvégezhető adatokon.

Részletek

categorical_hash kategorikus értéket alakít át mutatótömbökké az érték kivonatolásával és a kivonat indexként való használatával a zsákban. Ha a bemeneti oszlop vektor, a rendszer egyetlen mutatócsomagot ad vissza. categorical_hash jelenleg nem támogatja a faktoradatok kezelését.

Érvek

cols

Az átalakítandó változónevek karaktersztringje vagy listája. Ha dict, a kulcsok a létrehozandó új változók nevét jelölik.

hash_bits

Egy egész szám, amely megadja a kivonatoló bitek számát. 1 és 30 között kell lennie, beleértve a elemet. Az alapértelmezett érték 16.

mag

A kivonatoló magot meghatározó egész szám. Az alapértelmezett érték a 314489979.

Megrendelt

True, hogy az egyes kifejezések pozícióját belefoglalja a kivonatba. Ellenkező esetben False. Az alapértelmezett érték a True.

invert_hash

Egy egész szám, amely megadja a pontnév létrehozásához használható kulcsok számának korlátját. 0 azt jelenti, hogy nincs invertálási kivonatolás; -1 azt jelenti, hogy nincs korlát. Bár a nulla érték jobb teljesítményt nyújt, a jelentéssel bíró együtthatónevek lekéréséhez nem nulla értékre van szükség. Az alapértelmezett érték a 0.

output_kind

A kimeneti típust meghatározó karaktersztring.

  • "Bag": Többhalmazos vektort ad ki. Ha a bemeneti oszlop kategóriák vektora, a kimenet egy vektort tartalmaz, ahol az egyes pontok értéke a kategória előfordulásainak száma a bemeneti vektorban. Ha a bemeneti oszlop egyetlen kategóriát tartalmaz, a mutatóvektor és a zsákvektor egyenértékű

  • "Ind": Egy mutatóvektort ad ki. A bemeneti oszlop kategóriák vektora, és a kimenet pontonként egy mutatóvektort tartalmaz a bemeneti oszlopban.

  • "Key: Indexet ad ki. A kimenet a kategória egész számának azonosítója (1 és a szótárban szereplő kategóriák száma között).

  • "Bin: Egy vektort ad ki, amely a kategória bináris ábrázolása.

Az alapértelmezett érték a "Bag".

kargs

A számítási motornak küldött további argumentumok.

Visszatér

az átalakítást meghatározó objektum.

Lásd még:

categorical

Példa

'''
Example on rx_logistic_regression and categorical_hash.
'''
import numpy
import pandas
from microsoftml import rx_logistic_regression, categorical_hash, rx_predict
from microsoftml.datasets.datasets import get_dataset

movie_reviews = get_dataset("movie_reviews")

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 hash transform.
out_model = rx_logistic_regression("like ~ reviewCat",
                data=train_reviews,
                ml_transforms=[categorical_hash(cols=dict(reviewCat="review"))])
                
# Weights are similar to categorical.
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())

Hozam:

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: 65537
improvement criterion: Mean Improvement
L1 regularization selected 3 of 65537 weights.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.1209392
Elapsed time: 00:00:00.0190134
OrderedDict([('(Bias)', 0.2132447361946106), ('f1783', -0.7939924597740173), ('f38537', 0.1968022584915161)])
Beginning processing data.
Rows Read: 10, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.0284223
Finished writing 10 rows.
Writing completed.
           review PredictedLabel     Score  Probability
0   This is great           True  0.213245     0.553110
1       I hate it          False -0.580748     0.358761
2         Love it           True  0.213245     0.553110
3  Really like it           True  0.213245     0.553110
4       I hate it          False -0.580748     0.358761
  • Last updated on