microsoftml.concat: Birden fazla sütunu tek bir vektörde birleştirir

Usage

microsoftml.concat(cols: [dict, list], **kargs)

Description

Birden fazla sütunu tek bir vektör değerli sütunda birleştirir.

Ayrıntılar

concat birden fazla sütundan tek bir vektör değerli sütun oluşturur. Bir modeli eğitmeden önce veri üzerinde gerçekleştirilebilir. Sütun sayısı yüzlerce ila binlerce kişi olduğunda, bu birleştirme verilerin işlenmesini önemli ölçüde hızlandırabilir.

Arguments

Cols

Dönüştürülecek değişken isimlerinin bir karakter dikti veya listesi. Eğer dict, anahtarlar oluşturulacak yeni değişkenlerin isimlerini temsil eder. Tüm giriş değişkenlerinin aynı türden olması gerektiğini unutmayın. Birleştirme dönüşümü ile birden fazla çıkış sütunu üretilebilir. Bu durumda, giriş ve çıkış değişkenleri arasında bire bir eşleme tanımlamak için bir vektör listesi kullanmanız gerekir. Örneğin, InNameA ve InNameB sütunlarını OutName1 sütununa, ayrıca InNameC ve InNameD sütunlarını OutName2 sütununa bağlamak için şu dict: dict(OutName1 = [InNameA, InNameB], outName2 = [InNameC, InNameD])

kargs

Hesaplama motoruna gönderilen ek argümanlar.

İadeler

Birleştirme dönüşümünü tanımlayan bir nesne.

Example

'''
Example on logistic regression and concat.
'''
import numpy
import pandas
import sklearn
from microsoftml import rx_logistic_regression, concat, rx_predict
from microsoftml.datasets.datasets import get_dataset

iris = get_dataset("iris")

if sklearn.__version__ < "0.18":
    from sklearn.cross_validation import train_test_split
else:
    from sklearn.model_selection import train_test_split

# We use iris dataset.
irisdf = iris.as_df()

# The training features.
features = ["Sepal_Length", "Sepal_Width", "Petal_Length", "Petal_Width"]

# The label.
label = "Label"

# microsoftml needs a single dataframe with features and label.
cols = features + [label]

# We split into train/test. y_train, y_test are not used.
data_train, data_test, y_train, y_test = train_test_split(irisdf[cols], irisdf[label])

# We train a logistic regression.
# A concat transform is added to group features in a single vector column.
multi_logit_out = rx_logistic_regression(
                        formula="Label ~ Features",
                        method="multiClass",
                        data=data_train,
                        ml_transforms=[concat(cols={'Features': features})])
                        
# We show the coefficients.
print(multi_logit_out.coef_)

# We predict.
prediction = rx_predict(multi_logit_out, data=data_test)

print(prediction.head())

Çıktı:

Automatically adding a MinMax normalization transform, use 'norm=Warn' or 'norm=No' to turn this behavior off.
Beginning processing data.
Rows Read: 112, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 112, Read Time: 0, Transform Time: 0
Beginning processing data.
Beginning processing data.
Rows Read: 112, Read Time: 0.001, 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.
Beginning optimization
num vars: 15
improvement criterion: Mean Improvement
L1 regularization selected 9 of 15 weights.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.2348578
Elapsed time: 00:00:00.0197433
OrderedDict([('0+(Bias)', 1.943994402885437), ('1+(Bias)', 0.6346845030784607), ('2+(Bias)', -2.57867693901062), ('0+Petal_Width', -2.7277402877807617), ('0+Petal_Length', -2.5394322872161865), ('0+Sepal_Width', 0.4810805320739746), ('1+Sepal_Width', -0.5790582299232483), ('2+Petal_Width', 2.547518491744995), ('2+Petal_Length', 1.6753791570663452)])
Beginning processing data.
Rows Read: 38, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.0662932
Finished writing 38 rows.
Writing completed.
    Score.0   Score.1   Score.2
0  0.320061  0.504115  0.175825
1  0.761624  0.216213  0.022163
2  0.754765  0.215548  0.029687
3  0.182810  0.517855  0.299335
4  0.018770  0.290014  0.691216

İlgili içerik

  • Last updated on