microsoftml.categorical: Bir metin sütununu kategorilere dönüştürür

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

Bir model eğitmeden önce veri üzerinde gerçekleştirilebilen kategorik dönüşüm.

Ayrıntılar

Dönüşüm, categorical metin sütunları üzerinde çalışan bir veri setinden geçerek kategoriler sözlüğü oluşturur. Her satır için, giriş sütununda görünen tüm metin dizisi bir kategori olarak tanımlanır. Kategorik dönüşümün çıktısı bir gösterge vektörüdür. Bu vektördeki her yuva sözlükteki bir kategoriye karşılık gelir, dolayısıyla uzunluğu yerleşik sözlüğün boyutudur. Kategorik dönüşüm, bir veya daha fazla sütuna uygulanabilir; bu durumda uygulandığı her sütun için ayrı bir sözlük oluşturur.

categorical Şu anda faktör verilerini işlemek için desteklenmemektedir.

Arguments

Cols

Dönüştürülecek bir karakter dizisi veya değişken isimleri listesi. Eğer dict, anahtarlar oluşturulacak yeni değişkenlerin isimlerini temsil eder.

output_kind

Çıkış türünü belirten bir karakter dizisi.

  • "Bag": Çok kümeli bir vektör çıkarır. Giriş sütunu kategoriler vektörü ise, çıktı bir vektör içerir; her slottaki değer, giriş vektöründeki kategorinin bulunma sayısıdır. Giriş sütunu tek bir kategori içeriyorsa, gösterge vektörü ve torba vektörü eşdeğerdir

  • "Ind": Bir gösterge vektörü çıkarır. Giriş sütunu kategoriler vektörüdür ve çıktı, giriş sütunundaki her slot için bir gösterge vektörünü içerir.

  • "Key": Bir indeks çıkarır. Çıktı, kategorinin tam sayı kimliğidir (1 ile sözlükteki kategori sayısı arasında).

  • "Bin": Kategorinin ikili temsili olan bir vektör çıkarır.

"Ind" varsayılan değerdir.

max_num_terms

Sözlüğe dahil edilecek maksimum kategori sayısını belirten bir tam sayı. Varsayılan değer 10000000'dir.

Terimler

İsteğe bağlı terimler veya kategoriler karakter vektörüdür.

sort

Sıralama kriterlerini belirten bir karakter dizisi.

  • "Occurrence": Kategorileri olisyonlara göre sıralayın. En sık sık ilk kez olur.

  • "Value": Kategorileri değerlere göre sıralayın.

text_key_values

Anahtar değer meta verisi, gerçek giriş türü ne olursa olsun metin olup olmaması.

kargs

İşlem altyapısına gönderilen ek bağımsız değişkenler.

İadeler

Dönüşümü tanımlayan bir nesne.

Example

'''
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())

Çıktı:

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

İlgili içerik

  • Last updated on