microsoftml.categorical: Mengonversi kolom teks menjadi kategori

Penggunaan

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)

Deskripsi

Transformasi kategoris yang dapat dilakukan pada data sebelum melatih model.

Detail

categorical Transformasi melewati himpunan data, beroperasi pada kolom teks, untuk menyusun kamus kategori. Untuk setiap baris, seluruh string teks yang muncul di kolom input didefinisikan sebagai kategori. Output transformasi kategoris adalah vektor indikator. Setiap slot dalam vektor ini sesuai dengan kategori dalam kamus, sehingga panjangnya adalah ukuran kamus yang dibangun. Transformasi kategoris dapat diterapkan ke satu atau beberapa kolom, dalam hal ini membangun kamus terpisah untuk setiap kolom yang diterapkannya.

categorical saat ini tidak didukung untuk menangani data faktor.

Argumen

Cols

String karakter atau daftar nama variabel yang akan diubah. Jika dict, kunci mewakili nama variabel baru yang akan dibuat.

output_kind

String karakter yang menentukan jenis output.

  • "Bag": Menghasilkan vektor multi-set. Jika kolom input adalah vektor kategori, output berisi satu vektor, di mana nilai di setiap slot adalah jumlah kemunculan kategori dalam vektor input. Jika kolom input berisi satu kategori, vektor indikator dan vektor tas setara

  • "Ind": Menghasilkan vektor indikator. Kolom input adalah vektor kategori, dan output berisi satu vektor indikator per slot di kolom input.

  • "Key": Menghasilkan indeks. Output adalah ID bilangan bulat (antara 1 dan jumlah kategori dalam kamus) kategori.

  • "Bin": Menghasilkan vektor yang merupakan representasi biner dari kategori.

Nilai defaultnya adalah "Ind".

max_num_terms

Bilangan bulat yang menentukan jumlah maksimum kategori untuk disertakan dalam kamus. Nilai defaultnya adalah 1000000.

terms

Vektor karakter opsional istilah atau kategori.

sort

String karakter yang menentukan kriteria pengurutan.

  • "Occurrence": Urutkan kategori menurut kemunculan. Paling sering adalah pertama.

  • "Value": Urutkan kategori menurut nilai.

text_key_values

Apakah metadata nilai kunci harus berupa teks, terlepas dari jenis input aktual.

karg

Argumen tambahan dikirim ke mesin komputasi.

Mengembalikan

Objek yang menentukan transformasi.

Lihat juga

categorical_hash

Contoh

'''
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())

Output:

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