microsoftml.categorical_hash: usa hash e converte uma coluna de texto em categorias

  • Artigo

Uso

microsoftml.categorical_hash(cols: [str, dict, list],
    hash_bits: int = 16, seed: int = 314489979,
    ordered: bool = True, invert_hash: int = 0,
    output_kind: ['Bag', 'Ind', 'Key', 'Bin'] = 'Bag', **kargs)

Descrição

É possível executar uma transformação categórica de hash em dados antes de treinar um modelo.

Detalhes

categorical_hash converte um valor categórico em uma matriz de indicador, transformando o valor em hash e usando o hash como um índice no recipiente. Caso a coluna de entrada seja um vetor, um recipiente indicador retornará para ela. No momento, categorical_hash não é compatível com o tratamento de dados de fator.

Argumentos

cols

Uma cadeia de caracteres ou lista de nomes de variáveis a ser transformada. No caso de dict, as chaves representam os nomes das variáveis a serem criadas.

hash_bits

Um inteiro especificando o número de bits nos quais usar hash. Ele deve estar inclusive entre 1 e 30. O valor padrão é 16.

seed

Um inteiro especificando a semente de hash. O valor padrão é 314489979.

ordered

Use True para incluir a posição de cada termo no hash. Caso contrário, False. O valor padrão é True.

invert_hash

Um inteiro especificando o limite do número de chaves que podem ser usadas para gerar o nome do slot. 0 significa que não há um hash invertido. -1 significa que não há limite. Embora um valor zero forneça um desempenho mais adequado, é preciso usar um valor não zero para obter nomes de coeficientes significativos. O valor padrão é 0.

output_kind

Uma cadeia de caracteres que especifica o tipo de saída.

  • "Bag": gera um vetor de vários conjuntos. Se a coluna de entrada for um vetor de categorias, a saída conterá um vetor, em que o valor em cada slot será o número de ocorrências da categoria no vetor de entrada. Caso a coluna de entrada contenha uma categoria única, o vetor indicador e o vetor recipiente serão equivalentes

  • "Ind": gera um vetor indicador. A coluna de entrada é um vetor de categorias e a saída contém um vetor indicador por slot na coluna de entrada.

  • "Key: gera um índice. A saída é uma ID da categoria de valor inteiro (entre 1 e o número de categorias no dicionário).

  • "Bin: gera um vetor que é a representação binária da categoria.

O valor padrão é "Bag".

kargs

Argumentos adicionais enviados ao mecanismo de computação.

Retornos

Um objeto que define a transformação.

Confira também

categorical

Exemplo

'''
Example on rx_logistic_regression and categorical_hash.
'''
import numpy
import pandas
from microsoftml import rx_logistic_regression, categorical_hash, rx_predict
from microsoftml.datasets.datasets import get_dataset

movie_reviews = get_dataset("movie_reviews")

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 hash transform.
out_model = rx_logistic_regression("like ~ reviewCat",
                data=train_reviews,
                ml_transforms=[categorical_hash(cols=dict(reviewCat="review"))])
                
# Weights are similar to categorical.
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())

Saída:

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: 65537
improvement criterion: Mean Improvement
L1 regularization selected 3 of 65537 weights.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.1209392
Elapsed time: 00:00:00.0190134
OrderedDict([('(Bias)', 0.2132447361946106), ('f1783', -0.7939924597740173), ('f38537', 0.1968022584915161)])
Beginning processing data.
Rows Read: 10, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.0284223
Finished writing 10 rows.
Writing completed.
           review PredictedLabel     Score  Probability
0   This is great           True  0.213245     0.553110
1       I hate it          False -0.580748     0.358761
2         Love it           True  0.213245     0.553110
3  Really like it           True  0.213245     0.553110
4       I hate it          False -0.580748     0.358761