microsoftml.categorical: Egy szövegoszlopot kategóriákba alakít

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

Kategórikus transzformáció, amely adaton végezhető modell betanítása előtt.

Részletek

A categorical transzformáció egy adathalmazon halad át, amely szövegoszlopokon működik, hogy egy kategória-szótárt építsen fel. Minden sor esetében a bemeneti oszlopban megjelenő teljes szöveglánc kategóriaként van definiálva. A kategórikus transzformáció kimenete egy indikátorvektor. A vektorban minden hely megfelel a szótárban található kategóriának, így hossza a beépített szótár mérete. A kategóriatikus transzformáció egy vagy több oszlopra alkalmazható, ebben az esetben minden oszlophoz külön szótárt épít.

categorical jelenleg nem támogatott a faktoradatok kezelésére.

Arguments

cols

Egy karakterlánc vagy változónevek listája, amelyeket át kell alakítani. Ha dict, akkor a kulcsok az új változók nevét jelentik, amelyeket létre kell hozni.

output_kind

Egy karakterlánc, amely meghatározza a kimeneti típust.

  • "Bag": Többhalmazos vektort ad ki. Ha a bemeneti oszlop kategóriák vektorja, akkor a kimenet egy vektort tartalmaz, ahol az egyes slotokban az érték a kategória előfordulásának száma a bemeneti vektorban. Ha a bemeneti oszlop egyetlen kategóriát tartalmaz, az indikátor és a zsákvektor ekvivalens

  • "Ind": Indikátor vektort ad ki. A bemeneti oszlop kategóriák vektorja, és a kimenet minden egyes bemeneti oszlop egy indikátor vektorát tartalmaz.

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

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

Az alapértelmezett érték a "Ind".

max_num_terms

Egy egész szám, amely meghatározza a szótárba bekerülni a kategóriák maximális számát. Az alapértelmezett érték 1000000.

feltételek

Opcionális karaktervektor, amely kifejezéseket vagy kategóriákat tartalmaz.

rendez

Egy karakterlánc, amely meghatározza a rendezési kritériumokat.

  • "Occurrence": Sorold a kategóriákat előfordulások szerint. A leggyakoribb az első.

  • "Value": Sorold a kategóriákat értékek szerint.

text_key_values

Hogy a kulcsérték metaadatnak szövegnek kell-e lennie, függetlenül a tényleges bemeneti típustól.

kargs

A számítási motornak küldött további argumentumok.

Visszatérítések

Az átalakítást meghatározó objektum.

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())

Output:

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

Kapcsolódó tartalom

  • Last updated on