microsoftml.categorical_hash: хэширование и преобразование столбца текста в категории

Статья
05/23/2023

Использование

microsoftml.categorical_hash(cols: [str, dict, list],
    hash_bits: int = 16, seed: int = 314489979,
    ordered: bool = True, invert_hash: int = 0,
    output_kind: ['Bag', 'Ind', 'Key', 'Bin'] = 'Bag', **kargs)

Описание

Преобразование хэша в категории может выполняться в данных перед обучением модели.

Сведения

categorical_hash преобразует значение категории в массив индикаторов путем хэширования значения и использования хэша в качестве индекса в контейнере. Если входной столбец является вектором, для него возвращается один контейнер индикатора. categorical_hash сейчас не поддерживает хэширование данных факторов.

Аргументы

cols

Строка символов или список имен переменных для преобразования. Если значение равно dict, ключи представляют имена новых переменных, которые будут созданы.

hash_bits

Целое число, указывающее количество битов для хэша. Должно находиться в диапазоне от 1 до 30 включительно. Значение по умолчанию — 16.

seed

Целое число, указывающее начальное значение хэширования. Значение по умолчанию — 314489979.

упорядоченного

True для включения позиции каждого термина в хэш. В противном случае — значение False. Значение по умолчанию — True.

invert_hash

Целое число, задающее ограничение на количество ключей, которые могут быть использованы для создания имени слота. Значение 0 означает отсутствие инверсии хэширования, а значение -1 — отсутствие ограничения. Хотя нулевое значение обеспечивает лучшую производительность, для получения осмысленных названий коэффициентов необходимо указать ненулевое значение. Значение по умолчанию — 0.

output_kind

Символьная строка, указывающая тип выходных данных.

"Bag": выводит вектор с несколькими множествами. Если входной столбец является вектором категорий, то выходные данные содержат один вектор, в котором значение в каждом слоте равно количеству вхождений категории во входном векторе. Если входной столбец содержит одну категорию, то вектор индикаторов и вектор контейнеров эквивалентны
"Ind": выводит вектор индикаторов. Входной столбец является вектором категорий, а выходные данные содержат один вектор индикаторов для каждого слота во входном столбце.
"Key: выводит индекс. Выходным значением является целочисленный идентификатор категории (в диапазоне от 1 до числа категорий в словаре).
"Bin: выводит вектор, который является двоичным представлением категории.

Значение по умолчанию — "Bag".

kargs

Дополнительные аргументы, отправляемые в подсистему вычислений.

Возвращаемое значение

объект, определяющий преобразование.

См. также

categorical

Пример

'''
Example on rx_logistic_regression and categorical_hash.
'''
import numpy
import pandas
from microsoftml import rx_logistic_regression, categorical_hash, rx_predict
from microsoftml.datasets.datasets import get_dataset

movie_reviews = get_dataset("movie_reviews")

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 hash transform.
out_model = rx_logistic_regression("like ~ reviewCat",
                data=train_reviews,
                ml_transforms=[categorical_hash(cols=dict(reviewCat="review"))])
                
# Weights are similar to categorical.
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())

Выходные данные:

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: 65537
improvement criterion: Mean Improvement
L1 regularization selected 3 of 65537 weights.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.1209392
Elapsed time: 00:00:00.0190134
OrderedDict([('(Bias)', 0.2132447361946106), ('f1783', -0.7939924597740173), ('f38537', 0.1968022584915161)])
Beginning processing data.
Rows Read: 10, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.0284223
Finished writing 10 rows.
Writing completed.
           review PredictedLabel     Score  Probability
0   This is great           True  0.213245     0.553110
1       I hate it          False -0.580748     0.358761
2         Love it           True  0.213245     0.553110
3  Really like it           True  0.213245     0.553110
4       I hate it          False -0.580748     0.358761