microsoftml.categorical: converte uma coluna de texto em categorias

Uso

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)

Descrição

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

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.

Argumentos

cols

Uma cadeia de caracteres ou lista de nomes de variáveis a ser transformada. No caso de dict, as chaves representam os nomes das variáveis a serem criadas.

output_kind

Uma cadeia de caracteres que especifica o tipo de saída.

  • "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

  • "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.

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

  • "Bin": gera um vetor que é a representação binária da categoria.

O valor padrão é "Ind".

max_num_terms

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.

sort

Uma cadeia de caracteres que especifica os critérios de classificação.

  • "Occurrence": classificar as categorias por ocorrências. O mais frequente é primeiro.

  • "Value": classificar as categorias por valores.

text_key_values

Se os metadados de valor de chave devem ser texto, independentemente do tipo de entrada real.

kargs

Argumentos adicionais enviados ao mecanismo de computação.

Retornos

Um objeto que define a transformação.

Confira também

categorical_hash

Exemplo

'''
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())

Saída:

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