microsoftml.concat: Łączy wiele kolumn w jeden wektor

Usage

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

Description

Łączy kilka kolumn w jedną kolumnę o wartości wektorowej.

Szczegóły

concat tworzy pojedynczą kolumnę o wartości wektorowej z wielu kolumn. Można go wykonać na danych przed trenowaniem modelu. Łączenie może znacznie przyspieszyć przetwarzanie danych, gdy liczba kolumn wynosi od setek do tysięcy.

Arguments

Cols

Znak lub lista nazw zmiennych do transformacji. Jeśli dict, klucze reprezentują nazwy nowych zmiennych, które mają zostać utworzone. Należy zauważyć, że wszystkie zmienne wejściowe muszą być tego samego typu. Możliwe jest wygenerowanie wielu kolumn wyjściowych za pomocą transformacji konkatenacyjnej. W tym przypadku musisz użyć listy wektorów, aby zdefiniować jednowymiarowe odwzorowanie zmiennych wejściowych i wyjściowych. Na przykład, aby połączyć kolumny InNameA i InNameB do kolumny OutName1 oraz kolumny InNameC i InNameD do kolumny OutName2, użyj dyktu: dict(OutName1 = [InNameA, InNameB], outName2 = [InNameC, InNameD])

kargs

Dodatkowe argumenty przesyłane do silnika obliczeniowego.

Zwroty

Obiekt definiujący transformację konkatenacji.

Example

'''
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

Treści powiązane

  • Last updated on