Compartilhar via


TextCatalog.ProduceHashedNgrams Método

Definição

Sobrecargas

ProduceHashedNgrams(TransformsCatalog+TextTransforms, String, String, Int32, Int32, Int32, Boolean, UInt32, Boolean, Int32, Boolean)

Crie um NgramHashingEstimator, que copia os dados da coluna especificada em inputColumnName uma nova coluna: outputColumnName e produz um vetor de contagens de n-grams hashed.

ProduceHashedNgrams(TransformsCatalog+TextTransforms, String, String[], Int32, Int32, Int32, Boolean, UInt32, Boolean, Int32, Boolean)

Crie um NgramHashingEstimator, que usa os dados das várias colunas especificadas em inputColumnNames uma nova coluna: outputColumnName e produz um vetor de contagens de n-grams hashed.

ProduceHashedNgrams(TransformsCatalog+TextTransforms, String, String, Int32, Int32, Int32, Boolean, UInt32, Boolean, Int32, Boolean)

Crie um NgramHashingEstimator, que copia os dados da coluna especificada em inputColumnName uma nova coluna: outputColumnName e produz um vetor de contagens de n-grams hashed.

public static Microsoft.ML.Transforms.Text.NgramHashingEstimator ProduceHashedNgrams (this Microsoft.ML.TransformsCatalog.TextTransforms catalog, string outputColumnName, string inputColumnName = default, int numberOfBits = 16, int ngramLength = 2, int skipLength = 0, bool useAllLengths = true, uint seed = 314489979, bool useOrderedHashing = true, int maximumNumberOfInverts = 0, bool rehashUnigrams = false);
static member ProduceHashedNgrams : Microsoft.ML.TransformsCatalog.TextTransforms * string * string * int * int * int * bool * uint32 * bool * int * bool -> Microsoft.ML.Transforms.Text.NgramHashingEstimator
<Extension()>
Public Function ProduceHashedNgrams (catalog As TransformsCatalog.TextTransforms, outputColumnName As String, Optional inputColumnName As String = Nothing, Optional numberOfBits As Integer = 16, Optional ngramLength As Integer = 2, Optional skipLength As Integer = 0, Optional useAllLengths As Boolean = true, Optional seed As UInteger = 314489979, Optional useOrderedHashing As Boolean = true, Optional maximumNumberOfInverts As Integer = 0, Optional rehashUnigrams As Boolean = false) As NgramHashingEstimator

Parâmetros

catalog
TransformsCatalog.TextTransforms

O catálogo da transformação.

outputColumnName
String

Nome da coluna resultante da transformação de inputColumnName. O tipo de dados desta coluna será vetor de Single.

inputColumnName
String

Nome da coluna da qual copiar os dados. Esse avaliador opera sobre o vetor do tipo de chave.

numberOfBits
Int32

Número de bits para usar com o hash. Ele deve estar inclusive entre 1 e 30.

ngramLength
Int32

Comprimento de Ngram.

skipLength
Int32

Número máximo de tokens a serem ignoradas ao construir um n-gram.

useAllLengths
Boolean

Se deve incluir todos os comprimentos de n-gram até ngramLength ou apenas ngramLength.

seed
UInt32

Semente de hash.

useOrderedHashing
Boolean

Especifica se é preciso incluir a posição de cada coluna de origem no hash (quando há várias colunas de origem).

maximumNumberOfInverts
Int32

Durante o hash, criamos mapeamentos entre valores originais e os valores de hash produzidos. A representação de texto dos valores originais é armazenada nos nomes de slot das anotações da nova coluna. O hash, como tal, pode mapear muitos valores iniciais para um. maximumNumberOfInverts especifica o limite superior do número de valores de entrada distintos mapeados para um hash que deve ser retido. 0 não retém nenhum valor de entrada. -1 retém todos os valores de entrada mapeando para cada hash.

rehashUnigrams
Boolean

Se deseja reexibir unigramas.

Retornos

Comentários

NgramHashingEstimator é diferente de WordHashBagEstimator uma maneira que NgramHashingEstimator usa o texto tokenizado como entrada enquanto WordHashBagEstimator tokeniza o texto internamente.

Aplica-se a

ProduceHashedNgrams(TransformsCatalog+TextTransforms, String, String[], Int32, Int32, Int32, Boolean, UInt32, Boolean, Int32, Boolean)

Crie um NgramHashingEstimator, que usa os dados das várias colunas especificadas em inputColumnNames uma nova coluna: outputColumnName e produz um vetor de contagens de n-grams hashed.

public static Microsoft.ML.Transforms.Text.NgramHashingEstimator ProduceHashedNgrams (this Microsoft.ML.TransformsCatalog.TextTransforms catalog, string outputColumnName, string[] inputColumnNames = default, int numberOfBits = 16, int ngramLength = 2, int skipLength = 0, bool useAllLengths = true, uint seed = 314489979, bool useOrderedHashing = true, int maximumNumberOfInverts = 0, bool rehashUnigrams = false);
static member ProduceHashedNgrams : Microsoft.ML.TransformsCatalog.TextTransforms * string * string[] * int * int * int * bool * uint32 * bool * int * bool -> Microsoft.ML.Transforms.Text.NgramHashingEstimator
<Extension()>
Public Function ProduceHashedNgrams (catalog As TransformsCatalog.TextTransforms, outputColumnName As String, Optional inputColumnNames As String() = Nothing, Optional numberOfBits As Integer = 16, Optional ngramLength As Integer = 2, Optional skipLength As Integer = 0, Optional useAllLengths As Boolean = true, Optional seed As UInteger = 314489979, Optional useOrderedHashing As Boolean = true, Optional maximumNumberOfInverts As Integer = 0, Optional rehashUnigrams As Boolean = false) As NgramHashingEstimator

Parâmetros

catalog
TransformsCatalog.TextTransforms

O catálogo da transformação.

outputColumnName
String

Nome da coluna resultante da transformação de inputColumnNames. O tipo de dados desta coluna será vetor de tamanho conhecido de Single.

inputColumnNames
String[]

Nome das várias colunas de onde tirar os dados. Esse avaliador opera sobre o vetor do tipo de chave.

numberOfBits
Int32

Número de bits para usar com o hash. Ele deve estar inclusive entre 1 e 30.

ngramLength
Int32

Comprimento de Ngram.

skipLength
Int32

Número máximo de tokens a serem ignoradas ao construir um n-gram.

useAllLengths
Boolean

Se deve incluir todos os comprimentos de n-gram até ngramLength ou apenas ngramLength.

seed
UInt32

Semente de hash.

useOrderedHashing
Boolean

Especifica se é preciso incluir a posição de cada coluna de origem no hash (quando há várias colunas de origem).

maximumNumberOfInverts
Int32

Durante o hash, criamos mapeamentos entre valores originais e os valores de hash produzidos. A representação de texto dos valores originais é armazenada nos nomes de slot das anotações da nova coluna. O hash, como tal, pode mapear muitos valores iniciais para um. maximumNumberOfInverts especifica o limite superior do número de valores de entrada distintos mapeados para um hash que deve ser retido. 0 não retém nenhum valor de entrada. -1 retém todos os valores de entrada mapeando para cada hash.

rehashUnigrams
Boolean

Se deseja reexibir unigramas.

Retornos

Exemplos

using System;
using System.Collections.Generic;
using Microsoft.ML;
using Microsoft.ML.Data;

namespace Samples.Dynamic
{
    public static class ProduceHashedNgrams
    {
        public static void Example()
        {
            // Create a new ML context, for ML.NET operations. It can be used for
            // exception tracking and logging, as well as the source of randomness.
            var mlContext = new MLContext();

            // Create a small dataset as an IEnumerable.
            var samples = new List<TextData>()
            {
                new TextData(){ Text = "This is an example to compute n-grams " +
                "using hashing." },

                new TextData(){ Text = "N-gram is a sequence of 'N' consecutive" +
                " words/tokens." },

                new TextData(){ Text = "ML.NET's ProduceHashedNgrams API " +
                "produces count of n-grams and hashes it as an index into a " +
                "vector of given bit length." },

                new TextData(){ Text = "The hashing reduces the size of the " +
                "output feature vector" },

                new TextData(){ Text = "which is useful in case when number of " +
                "n-grams is very large." },
            };

            // Convert training data to IDataView.
            var dataview = mlContext.Data.LoadFromEnumerable(samples);

            // A pipeline for converting text into numeric hashed n-gram features.
            // The following call to 'ProduceHashedNgrams' requires the tokenized
            // text /string as input. This is achieved by calling 
            // 'TokenizeIntoWords' first followed by 'ProduceHashedNgrams'.
            // Please note that the length of the output feature vector depends on
            // the 'numberOfBits' settings.
            var textPipeline = mlContext.Transforms.Text.TokenizeIntoWords("Tokens",
                "Text")
                .Append(mlContext.Transforms.Conversion.MapValueToKey("Tokens"))
                .Append(mlContext.Transforms.Text.ProduceHashedNgrams(
                    "NgramFeatures", "Tokens",
                    numberOfBits: 5,
                    ngramLength: 3,
                    useAllLengths: false,
                    maximumNumberOfInverts: 1));

            // Fit to data.
            var textTransformer = textPipeline.Fit(dataview);
            var transformedDataView = textTransformer.Transform(dataview);

            // Create the prediction engine to get the features extracted from the
            // text.
            var predictionEngine = mlContext.Model.CreatePredictionEngine<TextData,
                TransformedTextData>(textTransformer);

            // Convert the text into numeric features.
            var prediction = predictionEngine.Predict(samples[0]);

            // Print the length of the feature vector.
            Console.WriteLine("Number of Features: " + prediction.NgramFeatures
                .Length);

            // Preview of the produced n-grams.
            // Get the slot names from the column's metadata.
            // The slot names for a vector column corresponds to the names
            // associated with each position in the vector.
            VBuffer<ReadOnlyMemory<char>> slotNames = default;
            transformedDataView.Schema["NgramFeatures"].GetSlotNames(ref slotNames);
            var NgramFeaturesColumn = transformedDataView.GetColumn<VBuffer<float>>(
                transformedDataView.Schema["NgramFeatures"]);

            var slots = slotNames.GetValues();
            Console.Write("N-grams: ");
            foreach (var featureRow in NgramFeaturesColumn)
            {
                foreach (var item in featureRow.Items())
                    Console.Write($"{slots[item.Key]}  ");
                Console.WriteLine();
            }

            // Print the first 10 feature values.
            Console.Write("Features: ");
            for (int i = 0; i < 10; i++)
                Console.Write($"{prediction.NgramFeatures[i]:F4}  ");

            //  Expected output:
            //   Number of Features:  32
            //   N-grams:   This|is|an  example|to|compute  compute|n-grams|using  n-grams|using|hashing.  an|example|to  is|an|example  a|sequence|of  of|'N'|consecutive  is|a|sequence  N-gram|is|a  ...
            //   Features:    0.0000          0.0000               2.0000               0.0000               0.0000        1.0000          0.0000        0.0000              1.0000          0.0000  ...
        }

        private class TextData
        {
            public string Text { get; set; }
        }

        private class TransformedTextData : TextData
        {
            public float[] NgramFeatures { get; set; }
        }
    }
}

Comentários

NgramHashingEstimator é diferente de WordHashBagEstimator uma maneira que NgramHashingEstimator usa o texto tokenizado como entrada enquanto WordHashBagEstimator tokeniza o texto internamente.

Aplica-se a