microsoftml.categorical: Преобразует текстовый столбец в категории

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

Категориальное преобразование, которое можно выполнить над данными до обучения модели.

Сведения

Преобразование categorical проходит через набор данных, действующий с текстовыми столбцами, чтобы построить словарь категорий. Для каждой строки вся текстовая строка, появляющаяся в входном столбце, определяется как категория. Выход категориального преобразования — это индикаторный вектор. Каждый слот в этом векторе соответствует категории в словаре, поэтому его длина — это размер встроенного словаря. Категориальное преобразование можно применить к одному или нескольким столбцам, в этом случае для каждого столбца, к которому оно применяется, формируется отдельный словарь.

categorical в настоящее время не поддерживается для обработки факторных данных.

Arguments

cols

Строка символов или список имён переменных для трансформации. Если dict, ключи представляют имена новых переменных, которые нужно создать.

output_kind

Строка символа, указывающая тип выхода.

  • "Bag": Выводит многомножественный вектор. Если входной столбец — вектор категорий, выход содержит один вектор, где значение в каждом слоте — это количество вхождений категории в входном векторе. Если входной столбец содержит одну категорию, индикаторный вектор и мешковый вектор эквивалентны

  • "Ind": Выводит индикаторный вектор. Входной столбец — это вектор категорий, а выход содержит один индикаторный вектор на каждый слот в входном столбце.

  • "Key": Выводит индекс. Выход — это целочисленный идентификатор (между 1 и числом категорий в словаре) категории.

  • "Bin": Выводит вектор, который является бинарным представлением категории.

Значение по умолчанию — "Ind".

max_num_terms

Целое число, указывающее максимальное количество категорий для включения в словарь. Значение по умолчанию — 1000000.

Условия

Необязательный вектор символов терминов или категорий.

sort

Строка символа, задающая критерии сортировки.

  • "Occurrence": Сортируйте категории по встречаниям. Чаще всего — сначала.

  • "Value": Сортировать категории по значениям.

text_key_values

Должны ли метаданные ключевого значения быть текстом, независимо от фактического типа входа.

карги

Дополнительные аргументы, отправленные в подсистему вычислений.

Returns

Объект, определяющий преобразование.

Пример

'''
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())

Выходные данные:

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

Связанные материалы

  • Last updated on