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)
Description
モデルの訓練前にデータに対して実行可能なカテゴリカル変換。
詳細情報
categorical変換はテキストカラムを操作するデータセットを通過し、カテゴリの辞書を作成します。 各行に対して、入力列に表示される全テキスト文字列がカテゴリとして定義されます。 カテゴリ変換の出力は指標ベクトルです。
このベクター内の各スロットはディクショナリ内のカテゴリに対応するため、その長さはビルドされたディクショナリのサイズです。 カテゴリカル変換は1つ以上の列に適用でき、その場合は適用される各列ごとに別々の辞書を作成します。
categorical 現在はファクターデータの扱いにはサポートされていません。
引数
cols
変換する変数名の文字列またはリスト。
dictの場合、キーは新たに作成される変数の名前を表します。
output_kind
出力の種類を指定する文字文字列です。
"Bag":は多重集合ベクトルを出力します。 入力列がカテゴリのベクトルであれば、出力は1つのベクトルを持ち、各スロットの値は入力ベクトル内でのカテゴリの出現回数を表します。 入力列が単一のカテゴリを持つ場合、インジケーターベクトルとバッグベクトルは同値です"Ind":はインジケーターベクトルを出力します。 入力列はカテゴリのベクトルであり、出力は入力列の各スロットに1つの指示ベクトルを含みます。"Key":はインデックスを出力します。 出力はカテゴリの整数ID(1から辞書内のカテゴリ数の間)です。"Bin":はカテゴリの2値表現であるベクトルを出力します。
既定値は "Ind" です。
max_num_terms
辞書に含める最大カテゴリ数を指定する整数。 デフォルト値は1000000です。
ご契約条件
用語やカテゴリの任意のキャラクターベクトル。
並べ替え
ソート条件を指定する文字列。
"Occurrence":発生ごとにカテゴリを並べ替え。 最も多いのは「ファースト」です。"Value": 値でカテゴリをソートします。
text_key_values
キー値メタデータがテキストであるべきかどうか、実際の入力タイプに関わらず。
kargs
コンピューティング エンジンに送信される追加の引数。
返品
変換を定義するオブジェクト。
Example
'''
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