microsoftml.categorical: Converte uma coluna de texto em categorias

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

Transformada categórica que pode ser realizada em dados antes de treinar um modelo.

Detalhes

A categorical transformação passa por um conjunto de dados, operando sobre colunas de texto, para construir um dicionário de categorias. Para cada linha, toda a cadeia de texto que aparece na coluna de entrada é definida como uma categoria. A saída da transformada categórica é um vetor indicador. Cada slot neste vetor corresponde a uma categoria no dicionário, pelo que o seu comprimento é o tamanho do dicionário construído. A transformada categórica pode ser aplicada a uma ou mais colunas, caso em que constrói um dicionário separado para cada coluna a que é aplicada.

categorical atualmente não é suportado para lidar com dados de fatores.

Arguments

Cols

Uma cadeia de caracteres ou lista de nomes de variáveis a transformar. Se dict, as chaves representam os nomes das novas variáveis a serem criadas.

output_kind

Uma cadeia de caracteres que especifica o tipo de saída.

  • "Bag": Produz um vetor multi-conjunto. Se a coluna de entrada for um vetor de categorias, a saída contém um vetor, onde o valor em cada slot é o número de ocorrências da categoria no vetor de entrada. Se a coluna de entrada contiver uma única categoria, o vetor indicador e o vetor bag são equivalentes

  • "Ind": Produz um vetor indicador. A coluna de entrada é um vetor de categorias, e a saída contém um vetor indicador por slot na coluna de entrada.

  • "Key": Produz um índice. A saída é um ID inteiro (entre 1 e o número de categorias no dicionário) da categoria.

  • "Bin": Produz um vetor que é a representação binária da categoria.

O valor predefinido é "Ind".

max_num_terms

Um inteiro que especifica o número máximo de categorias a incluir no dicionário. O valor padrão é 1000000.

termos

Vetor de caracteres opcional de termos ou categorias.

ordenar

Uma cadeia de caracteres que especifica os critérios de ordenação.

  • "Occurrence": Ordenar categorias por ocorrências. O mais frequente é o primeiro.

  • "Value": Ordenar categorias por valores.

text_key_values

Se metadados-valor-chave devem ser texto, independentemente do tipo real de entrada.

Kargs

Argumentos adicionais enviados ao motor de computação.

Devoluções

Um objeto que define a transformação.

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())

Saída:

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

Conteúdo relacionado

  • Last updated on