microsoftml.concat: Menggabungkan beberapa kolom menjadi satu vektor

Usage

microsoftml.concat(cols: [dict, list], **kargs)

Deskripsi

Menggabungkan beberapa kolom menjadi satu kolom bernilai vektor.

Rincian

concat membuat satu kolom bernilai vektor dari beberapa kolom. Proses ini dapat dilakukan pada data sebelum melatih model. Penggabungan ini dapat secara signifikan mempercepat pemrosesan data ketika jumlah kolom sebesar ratusan hingga ribuan.

Arguments

Cols

Sebuah dikta karakter atau daftar nama variabel yang akan ditransformasi. Jika dict, kunci tersebut mewakili nama-nama variabel baru yang akan dibuat. Perlu dicatat bahwa semua variabel input harus memiliki tipe yang sama. Dimungkinkan untuk menghasilkan beberapa kolom output dengan transformasi penggabungan. Dalam kasus ini, Anda perlu menggunakan daftar vektor untuk mendefinisikan pemetaan satu-ke-satu antara variabel input dan output. Misalnya, untuk menggabungkan kolom InNameA dan InNameB ke dalam kolom OutName1 serta kolom InNameC dan InNameD ke dalam kolom OutName2, gunakan dict: dict(OutName1 = [InNameA, InNameB], outName2 = [InNameC, InNameD])

karg

Argumen tambahan dikirim ke mesin komputasi.

Pengembalian Barang

Sebuah objek yang mendefinisikan transformasi penggabungan.

Contoh

'''
Example on logistic regression and concat.
'''
import numpy
import pandas
import sklearn
from microsoftml import rx_logistic_regression, concat, rx_predict
from microsoftml.datasets.datasets import get_dataset

iris = get_dataset("iris")

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

# We use iris dataset.
irisdf = iris.as_df()

# The training features.
features = ["Sepal_Length", "Sepal_Width", "Petal_Length", "Petal_Width"]

# The label.
label = "Label"

# microsoftml needs a single dataframe with features and label.
cols = features + [label]

# We split into train/test. y_train, y_test are not used.
data_train, data_test, y_train, y_test = train_test_split(irisdf[cols], irisdf[label])

# We train a logistic regression.
# A concat transform is added to group features in a single vector column.
multi_logit_out = rx_logistic_regression(
                        formula="Label ~ Features",
                        method="multiClass",
                        data=data_train,
                        ml_transforms=[concat(cols={'Features': features})])
                        
# We show the coefficients.
print(multi_logit_out.coef_)

# We predict.
prediction = rx_predict(multi_logit_out, data=data_test)

print(prediction.head())

Output:

Automatically adding a MinMax normalization transform, use 'norm=Warn' or 'norm=No' to turn this behavior off.
Beginning processing data.
Rows Read: 112, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 112, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 112, Read Time: 0.001, 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.
Beginning optimization
num vars: 15
improvement criterion: Mean Improvement
L1 regularization selected 9 of 15 weights.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.2348578
Elapsed time: 00:00:00.0197433
OrderedDict([('0+(Bias)', 1.943994402885437), ('1+(Bias)', 0.6346845030784607), ('2+(Bias)', -2.57867693901062), ('0+Petal_Width', -2.7277402877807617), ('0+Petal_Length', -2.5394322872161865), ('0+Sepal_Width', 0.4810805320739746), ('1+Sepal_Width', -0.5790582299232483), ('2+Petal_Width', 2.547518491744995), ('2+Petal_Length', 1.6753791570663452)])
Beginning processing data.
Rows Read: 38, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.0662932
Finished writing 38 rows.
Writing completed.
    Score.0   Score.1   Score.2
0  0.320061  0.504115  0.175825
1  0.761624  0.216213  0.022163
2  0.754765  0.215548  0.029687
3  0.182810  0.517855  0.299335
4  0.018770  0.290014  0.691216

Konten terkait

  • Last updated on