SupportedTransformers Classe

Define nomes voltados para o cliente para transformadores compatíveis com o ML automatizado.

Os transformadores são classificados para uso com os dados de Categorical (por exemplo, CatImputer), os dados de DateTime (por exemplo, DataTimeTransformer), os dados de Text (por exemplo, TfIdf) ou para tipos de dados Generic (por exemplo, Imputer).

Herança

builtins.object

SupportedTransformers

Construtor

SupportedTransformers()

Comentários

Os atributos definidos em SupportedTransformers são usados em resumos de definição de recursos ao usar o pré-processamento automático no ML automatizado ou ao personalizar a definição de recursos com a classe FeaturizationConfig, conforme mostrado no exemplo.

   featurization_config = FeaturizationConfig()
   featurization_config.add_transformer_params('Imputer', ['column1'], {"strategy": "median"})
   featurization_config.add_transformer_params('HashOneHotEncoder', [], {"number_of_bits": 3})

Para obter mais informações, confira Configurar experimentos de ML automatizado.

Atributos

ImputationMarker

Adicionar o marcador imputação booliano para valores imputados.

ImputationMarker = 'ImputationMarker'

Imputer

Valores ausentes completos.

Imputer = 'Imputer'

MaxAbsScaler

Dimensionar dados por seu valor absoluto máximo.

MaxAbsScaler = 'MaxAbsScaler'

CatImputer

Inserir valores ausentes em recursos categóricos segundo a categoria mais frequente.

CatImputer = 'CatImputer'

HashOneHotEncoder

Converter entrada em hash e codificar para vetor codificado one-hot.

HashOneHotEncoder = 'HashOneHotEncoder'

LabelEncoder

Codificar dados categóricos em números.

LabelEncoder = 'LabelEncoder'

CatTargetEncoder

Mapear dados de categoria com valor de destino médio para regressão e para probabilidade de classe para classificação.

CatTargetEncoder = 'CatTargetEncoder'

WoETargetEncoder

Calcular o peso de evidência da correlação de dados categóricos em uma coluna de destino.

WoETargetEncoder = 'WoETargetEncoder'

OneHotEncoder

Converter a entrada em um vetor codificado one-hot.

OneHotEncoder = 'OneHotEncoder'

DateTimeTransformer

Expandir recursos de data e hora em sub-recursos, como ano, mês e dia.

DateTimeTransformer = 'DateTimeTransformer'

CountVectorizer

Converter uma coleção de documentos em uma matriz de contagens de token.

CountVectorizer = 'CountVectorizer'

NaiveBayes

Transformar dados textuais usando sklearn do Multinomial Naïve Bayes.

NaiveBayes = 'NaiveBayes'

StringCast

Converter a entrada em cadeia de caracteres e letras minúsculas.

StringCast = 'StringCast'

TextTargetEncoder

Aplicar codificação de destino a dados de texto em que um modelo linear empilhado com conjunto de palavras gera a probabilidade de cada classe.

TextTargetEncoder = 'TextTargetEncoder'

TfIdf

Transformar uma matriz de contagem em uma representação de TF ou TF-iDF normalizada.

TfIdf = 'TfIdf'

TimeIndexFeaturizer

Transformador para criar recursos baseados em datetime usando time_index_featurizer a classe .

TimeIndexFeaturizer = 'TimeIndexFeaturizer'

WordEmbedding

Converter vetores de tokens de texto em vetores de sentença usando um modelo pré-treinado.

WordEmbedding = 'WordEmbedding'

CUSTOMIZABLE_TRANSFORMERS

Transformadores que são personalizados na personalização com parâmetros de métodos na classe FeaturizationConfig.

CUSTOMIZABLE_TRANSFORMERS = {'HashOneHotEncoder', 'Imputer', 'TfIdf'}

BLOCK_TRANSFORMERS

Transformadores que podem ser impedidos de usar em personalização na classe FeaturizationConfig.

BLOCK_TRANSFORMERS = {'CatTargetEncoder', 'CountVectorizer', 'HashOneHotEncoder', 'LabelEncoder', 'NaiveBayes', 'OneHotEncoder', 'TextTargetEncoder', 'TfIdf', 'TimeIndexFeaturizer', 'WoETargetEncoder', 'WordEmbedding'}

FULL_SET

O conjunto completo de transformadores.

FULL_SET = {'CatImputer', 'CatTargetEncoder', 'CountVectorizer', 'DateTimeTransformer', 'HashOneHotEncoder', 'ImputationMarker', 'Imputer', 'LabelEncoder', 'MaxAbsScaler', 'NaiveBayes', 'OneHotEncoder', 'StringCast', 'TextTargetEncoder', 'TfIdf', 'TimeIndexFeaturizer', 'WoETargetEncoder', 'WordEmbedding'}