FeaturizationConfig 類別
定義 Azure Machine Learning 中自動化機器學習實驗的功能工程組態。
在 類別的 AutoMLConfig 參數中使用 featurization FeaturizationConfig 類別。 如需詳細資訊，請參閱 設定自動化 ML 實驗。
建立 FeaturizationConfig。
- 繼承
-
builtins.objectFeaturizationConfig
建構函式
FeaturizationConfig(blocked_transformers: List[str] | None = None, column_purposes: Dict[str, str] | None = None, transformer_params: Dict[str, List[Tuple[List[str], Dict[str, Any]]]] | None = None, drop_columns: List[str] | None = None, dataset_language: str | None = None, prediction_transform_type: str | None = None)參數
特徵化程式中要忽略的資料行清單。 此設定已被取代。 請先從資料集卸載資料行，作為資料準備程式的一部分，再將資料集提供給 AutoML。
- dataset_language
- str
資料集中所含語言 () 語言的三個字元 ISO 639-3 代碼。 只有在您使用已啟用 GPU 的計算時，才支援英文以外的語言。 如果資料集包含多種語言，則應該使用langugage_code 'mul'。 若要尋找不同語言的 ISO 639-3 代碼，請參閱 https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes 。
備註
特徵化自訂具有可讓您：
新增或移除資料行用途。
add_column_purpose使用 和remove_column_purpose方法，您可以覆寫指定資料行的功能類型，例如，當資料行的功能類型無法正確反映其用途時。 add 方法支援新增 類別的 FULL_SET 屬性 FeatureType 中提供的所有功能類型。新增或移除轉換器參數。
add_transformer_params透過 和remove_transformer_params方法，您可以變更可自訂轉換器的參數，例如 Imputer、HashOneHotEncoder 和 TfIdf。 可自訂的轉換器會列在 SupportedTransformers 類別CUSTOMIZABLE_TRANSFORMERS屬性中。get_transformer_params使用 來查閱自訂參數。區塊轉換器。 使用 方法用於特徵化程式的
add_blocked_transformers區塊轉換器。 轉換器必須是類別中 SupportedTransformers 所列的其中一個轉換器，BLOCKED_TRANSFORMERS 屬性。使用 方法新增置放資料行以忽略特徵化和定型
add_drop_columns。 例如，您可以卸載不包含實用資訊的資料行。新增或移除預測轉換類型。 使用
add_prediction_transform_type和
remove_prediction_transform_type 您可以覆寫現有目標資料行類型的方法。
預測轉換類型會列在 屬性中 PredictionTransformTypes 。
下列程式碼範例示範如何在自動化 ML 中自訂特徵化以進行預測。 在範例程式碼中，會顯示卸載資料行並新增轉換參數。
featurization_config = FeaturizationConfig()
# Force the CPWVOL5 feature to be numeric type.
featurization_config.add_column_purpose("CPWVOL5", "Numeric")
# Fill missing values in the target column, Quantity, with zeros.
featurization_config.add_transformer_params(
"Imputer", ["Quantity"], {"strategy": "constant", "fill_value": 0}
)
# Fill missing values in the INCOME column with median value.
featurization_config.add_transformer_params(
"Imputer", ["INCOME"], {"strategy": "median"}
)
# Fill missing values in the Price column with forward fill (last value carried forward).
featurization_config.add_transformer_params("Imputer", ["Price"], {"strategy": "ffill"})
下一個範例顯示使用硬體效能資料集在回歸問題中自訂特徵化。 在範例程式碼中，會定義封鎖的轉換器、新增資料行用途，以及新增轉換器參數。
featurization_config = FeaturizationConfig()
featurization_config.blocked_transformers = ["LabelEncoder"]
# featurization_config.drop_columns = ['MMIN']
featurization_config.add_column_purpose("MYCT", "Numeric")
featurization_config.add_column_purpose("VendorName", "CategoricalHash")
# default strategy mean, add transformer param for for 3 columns
featurization_config.add_transformer_params("Imputer", ["CACH"], {"strategy": "median"})
featurization_config.add_transformer_params(
"Imputer", ["CHMIN"], {"strategy": "median"}
)
featurization_config.add_transformer_params(
"Imputer", ["PRP"], {"strategy": "most_frequent"}
)
# featurization_config.add_transformer_params('HashOneHotEncoder', [], {"number_of_bits": 3})
上述程式碼範例中定義的 FeaturizationConfig 接著可以在自動化 ML 實驗的設定中使用，如下一個程式碼範例所示。
automl_settings = {
"enable_early_stopping": True,
"experiment_timeout_hours": 0.25,
"max_concurrent_iterations": 4,
"max_cores_per_iteration": -1,
"n_cross_validations": 5,
"primary_metric": "normalized_root_mean_squared_error",
"verbosity": logging.INFO,
}
automl_config = AutoMLConfig(
task="regression",
debug_log="automl_errors.log",
compute_target=compute_target,
featurization=featurization_config,
training_data=train_data,
label_column_name=label,
**automl_settings,
)
方法
| add_blocked_transformers |
新增要封鎖的轉換器。 |
| add_column_purpose |
為指定的資料行新增功能類型。 |
| add_drop_columns |
新增要忽略的資料行名稱或資料行名稱清單。 |
| add_prediction_transform_type |
新增目標資料行的預測轉換類型。 PredictionTransformTypes 類別。 ：type prediction_transform_type： str |
| add_transformer_params |
將自訂的轉換器參數新增至自訂轉換器參數清單。 如果資料行清單是空的，則套用至所有資料行。 |
| get_transformer_params |
擷取資料行的轉換器自訂參數。 |
| remove_column_purpose |
移除指定資料行的功能類型。 如果未為數據行指定任何功能，則會使用偵測到的預設功能。 |
| remove_prediction_transform_type |
將預測轉換類型還原為目標資料行的預設值。 |
| remove_transformer_params |
移除特定資料行或所有資料行的轉換器自訂參數。 |
add_blocked_transformers
新增要封鎖的轉換器。
add_blocked_transformers(transformers: str | List[str]) -> None參數
轉換器名稱或轉換器名稱的清單。 轉換器名稱必須是 類別的 BLOCKED_TRANSFORMERS 屬性 SupportedTransformers 中列出的其中一個轉換器。
add_column_purpose
為指定的資料行新增功能類型。
add_column_purpose(column_name: str, feature_type: str) -> None參數
add_drop_columns
新增要忽略的資料行名稱或資料行名稱清單。
add_drop_columns(drop_columns: str | List[str]) -> None參數
add_prediction_transform_type
新增目標資料行的預測轉換類型。
PredictionTransformTypes 類別。 ：type prediction_transform_type： str
add_prediction_transform_type(prediction_transform_type: str) -> None參數
- prediction_transform_type
要用於轉換目標資料行的預測轉換類型。 功能類型必須是 的 FULL_SET 屬性中指定的類型
add_transformer_params
將自訂的轉換器參數新增至自訂轉換器參數清單。
如果資料行清單是空的，則套用至所有資料行。
add_transformer_params(transformer: str, cols: List[str], params: Dict[str, Any]) -> None參數
備註
下列程式碼範例示範如何在自動化 ML 中自訂特徵化以進行預測。 在範例程式碼中，會顯示卸載資料行並新增轉換參數。
featurization_config = FeaturizationConfig()
# Force the CPWVOL5 feature to be numeric type.
featurization_config.add_column_purpose("CPWVOL5", "Numeric")
# Fill missing values in the target column, Quantity, with zeros.
featurization_config.add_transformer_params(
"Imputer", ["Quantity"], {"strategy": "constant", "fill_value": 0}
)
# Fill missing values in the INCOME column with median value.
featurization_config.add_transformer_params(
"Imputer", ["INCOME"], {"strategy": "median"}
)
# Fill missing values in the Price column with forward fill (last value carried forward).
featurization_config.add_transformer_params("Imputer", ["Price"], {"strategy": "ffill"})
get_transformer_params
擷取資料行的轉換器自訂參數。
get_transformer_params(transformer: str, cols: List[str]) -> Dict[str, Any]參數
傳回
轉換器參數設定。
傳回類型
remove_column_purpose
移除指定資料行的功能類型。
如果未為數據行指定任何功能，則會使用偵測到的預設功能。
remove_column_purpose(column_name: str) -> None參數
remove_prediction_transform_type
將預測轉換類型還原為目標資料行的預設值。
remove_prediction_transform_type() -> Noneremove_transformer_params
移除特定資料行或所有資料行的轉換器自訂參數。
remove_transformer_params(transformer: str, cols: List[str] | None = None) -> None參數
屬性
blocked_transformers
column_purposes
dataset_language
drop_columns
prediction_transform_type
transformer_params
意見反應
即將登場：在 2024 年，我們將逐步淘汰 GitHub 問題作為內容的意見反應機制，並將它取代為新的意見反應系統。 如需詳細資訊，請參閱：https://aka.ms/ContentUserFeedback。
提交並檢視相關的意見反應