microsoftml.categorical: преобразование столбца текста в категории

Статья
05/23/2023

Использование

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)

Описание

Преобразование в категории может выполняться в данных перед обучением модели.

Сведения

Преобразование categorical проходит через набор данных, работая с текстовыми столбцами, чтобы создать словарь категорий. Для каждой строки вся текстовая строка, отображаемая во входном столбце, определяется как категория. Выходными данными преобразования в категории является вектор индикаторов. Каждый слот в этом векторе соответствует категории в словаре, поэтому его длина равна размеру созданного словаря. Преобразование в категории можно применить к одному или нескольким столбцам, в этом случае создается отдельный словарь для каждого столбца, к которому применяется преобразование.

categorical сейчас не поддерживает обработку данных факторов.

Аргументы

cols

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

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 — "Ind".

max_num_terms

Целое число со знаком, определяющее максимальное количество категорий для включения в словарь. Значение по умолчанию — 1 000 000.

terms

Необязательный символьный вектор терминов или категорий.

sort

Символьная строка, указывающая критерии сортировки.

"Occurrence": сортирует категории по вхождениям. Наиболее частые категории находятся в начале списка.
"Value": сортирует категории по значениям.

text_key_values

Должны ли метаданные значений ключа быть текстовыми, независимо от фактического типа входных данных.

kargs

Дополнительные аргументы, отправляемые в подсистему вычислений.

Возвращаемое значение

Объект, определяющий преобразование.

См. также

categorical_hash

Пример

'''
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())

Выходные данные:

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