microsoftml.categorical: Przekształca kolumnę tekstową na kategorie

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

Transformacja kategoryczna, którą można wykonać na danych przed trenowaniem modelu.

Szczegóły

Transformacja categorical przechodzi przez zbiór danych, pracując na kolumnach tekstowych, aby zbudować słownik kategorii. Dla każdego wiersza cały ciąg tekstu pojawiający się w kolumnie wejściowej jest definiowany jako kategoria. Wyjściem transformacji kategorycznej jest wektor wskaźnikowy. Każde miejsce w tym wektorze odpowiada kategorii w słowniku, więc jego długość jest rozmiarem utworzonego słownika. Transformacja kategoryczna może być zastosowana do jednej lub więcej kolumn, w takim przypadku tworzy osobny słownik dla każdej kolumny, do której jest stosowana.

categorical obecnie nie jest obsługiwany do obsługi danych czynnikowych.

Arguments

Cols

Ciąg znaków lub lista nazw zmiennych do transformacji. Jeśli dict, klucze reprezentują nazwy nowych zmiennych, które mają zostać utworzone.

output_kind

Ciąg znaków określający rodzaj rodzaju wyjścia.

  • "Bag": Generuje wektor wielozbiorowy. Jeśli kolumna wejściowa jest wektorem kategorii, wyjście zawiera jeden wektor, gdzie wartość w każdym slocie to liczba wystąpień kategorii w wektorze wejściowym. Jeśli kolumna wejściowa zawiera pojedynczą kategorię, wektor wskaźnika i wektor worka są równoważne

  • "Ind": Generuje wektor wskaźnikowy. Kolumna wejściowa to wektor kategorii, a wyjście zawiera jeden wektor wskaźnikowy na każde miejsce w kolumnie wejściowej.

  • "Key": Generuje indeks. Wynik to całkowity identyfikator (od 1 do liczby kategorii w słowniku) kategorii.

  • "Bin": Na wyjściu jest wektor, który jest binarną reprezentacją kategorii.

Wartość domyślna to "Ind".

max_num_terms

Liczba całkowita określająca maksymalną liczbę kategorii do uwzględnienia w słowniku. Domyślna wartość to 1000000.

postanowienia

Opcjonalny wektor znaków terminów lub kategorii.

sortować

Ciąg znaków określający kryteria sortowania.

  • "Occurrence": Sortuj kategorie według wystąpień. Najczęstsze jest to pierwsze.

  • "Value": Sortuj kategorie według wartości.

text_key_values

Czy metadane kluczowej wartości powinny być tekstem, niezależnie od rzeczywistego typu wejścia.

kargs

Dodatkowe argumenty wysyłane do aparatu obliczeniowego.

Zwroty

Obiekt definiujący przekształcenie.

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

Treści powiązane

  • Last updated on