microsoftml.categorical: Converte una colonna di testo in categorie

Usage

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)

Descrzione

Trasformata categorica che può essere eseguita sui dati prima di addestrare un modello.

dettagli

La categorical trasformazione passa attraverso un set di dati, operando su colonne di testo, per costruire un dizionario di categorie. Per ogni riga, l'intera stringa di testo che appare nella colonna di input è definita come categoria. L'output della trasformata categorica è un vettore indicatore. Ogni slot in questo vettore corrisponde a una categoria nel dizionario, quindi la sua lunghezza è la dimensione del dizionario compilato. La trasformata categorica può essere applicata a una o più colonne, nel qual caso costruisce un dizionario separato per ogni colonna a cui viene applicata.

categorical attualmente non è supportata per gestire dati fattoriali.

Arguments

Cols

Una stringa di caratteri o una lista di nomi di variabili da trasformare. Se dict, le chiavi rappresentano i nomi delle nuove variabili da creare.

output_kind

Una stringa di caratteri che specifica il tipo di output di genere.

  • "Bag": Produce un vettore multi-insieme. Se la colonna di input è un vettore di categorie, l'output contiene un vettore, dove il valore in ogni slot è il numero di occorrenze della categoria nel vettore di input. Se la colonna di input contiene una singola categoria, il vettore indicatore e il vettore bag sono equivalenti

  • "Ind": Produce un vettore indicatore. La colonna di input è un vettore di categorie, e l'output contiene un vettore indicatore per ogni slot nella colonna di input.

  • "Key": Fornisce un indice. L'output è un ID intero (compreso tra 1 e il numero di categorie nel dizionario) della categoria.

  • "Bin": Produce un vettore che è la rappresentazione binaria della categoria.

Il valore predefinito è "Ind".

max_num_terms

Un intero che specifica il numero massimo di categorie da includere nel dizionario. Il valore predefinito è 1000000.

Termini

Vettore caratteri opzionale di termini o categorie.

sort

Una stringa di caratteri che specifica i criteri di ordinamento.

  • "Occurrence": Ordina le categorie per occorrenze. La più frequente è la prima.

  • "Value": Ordina le categorie per valori.

text_key_values

Se i metadati chiave debbano essere testo, indipendentemente dal tipo effettivo di input.

karg

Argomenti aggiuntivi inviati al motore di calcolo.

Returns

Oggetto che definisce la trasformazione.

Esempio

'''
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())

Output:

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

Contenuti correlati

  • Last updated on