categorical: transformação de dados categóricos de machine learning

Transformação categórica que pode ser executada nos dados antes do treinamento de um modelo.

Uso

  categorical(vars, outputKind = "ind", maxNumTerms = 1e+06, terms = "",
    ...)

Argumentos

vars

Um vetor de caracteres ou uma lista de nomes de variáveis a serem transformadas. Caso tenham nomes, estes representam os nomes das variáveis a serem criadas.

outputKind

Uma cadeia de caracteres que especifica o tipo de saída.

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

maxNumTerms

Um inteiro que especifica o número máximo de categorias a serem incluídas no dicionário. O valor padrão é 1000000.

terms

Vetor de caracteres opcional de termos ou categorias.

...

Argumentos adicionais enviados ao mecanismo de computação.

Detalhes

A transformação categorical é passada em um conjunto de dados, operando em colunas de texto, para criar um dicionário de categorias. Para cada linha, a cadeia de texto inteira que aparece na coluna de entrada é definida como uma categoria. A saída da transformação categórica é um vetor indicador. Cada slot nesse vetor corresponde a uma categoria no dicionário, portanto, o respectivo comprimento é o tamanho do dicionário criado. A transformação categórica pode ser aplicada a uma ou mais colunas. No caso de mais colunas, ela cria um dicionário separado para cada coluna à qual é aplicada.

No momento, não há suporte para categorical no processamento de dados de fator.

Valor

Um objeto maml que define a transformação.

Autor(es)

Microsoft Corporation Microsoft Technical Support

Confira também

rxFastTrees, rxFastForest, rxNeuralNet, rxOneClassSvm, rxLogisticRegression.

Exemplos

 trainReviews <- data.frame(review = c( 
         "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 = c(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), stringsAsFactors = FALSE
     )

     testReviews <- data.frame(review = c(
         "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"), stringsAsFactors = FALSE)


 # Use a categorical transform: the entire string is treated as a category
 outModel1 <- rxLogisticRegression(like~reviewCat, data = trainReviews, 
     mlTransforms = list(categorical(vars = c(reviewCat = "review"))))
 # Note that 'I hate it' and 'I love it' (the only strings appearing more than once)
 # have non-zero weights
 summary(outModel1)

 # Use the model to score
 scoreOutDF1 <- rxPredict(outModel1, data = testReviews, 
     extraVarsToWrite = "review")
 scoreOutDF1