CategoricalCatalog.OneHotEncoding Methode
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Überlädt
| OneHotEncoding(TransformsCatalog+CategoricalTransforms, InputOutputColumnPair[], OneHotEncodingEstimator+OutputKind, Int32, ValueToKeyMappingEstimator+KeyOrdinality, IDataView) |
Erstellen Sie eine , die eine OneHotEncodingEstimatoroder mehrere Eingabetextspalten konvertiert, die in |
| OneHotEncoding(TransformsCatalog+CategoricalTransforms, String, String, OneHotEncodingEstimator+OutputKind, Int32, ValueToKeyMappingEstimator+KeyOrdinality, IDataView) |
Erstellen Sie eine OneHotEncodingEstimator, die die Eingabespalte konvertiert, die durch |
OneHotEncoding(TransformsCatalog+CategoricalTransforms, InputOutputColumnPair[], OneHotEncodingEstimator+OutputKind, Int32, ValueToKeyMappingEstimator+KeyOrdinality, IDataView)
Erstellen Sie eine , die eine OneHotEncodingEstimatoroder mehrere Eingabetextspalten konvertiert, die in columns so vielen Spalten mit einem Hot-codierten Vektoren angegeben sind.
public static Microsoft.ML.Transforms.OneHotEncodingEstimator OneHotEncoding (this Microsoft.ML.TransformsCatalog.CategoricalTransforms catalog, Microsoft.ML.InputOutputColumnPair[] columns, Microsoft.ML.Transforms.OneHotEncodingEstimator.OutputKind outputKind = Microsoft.ML.Transforms.OneHotEncodingEstimator+OutputKind.Indicator, int maximumNumberOfKeys = 1000000, Microsoft.ML.Transforms.ValueToKeyMappingEstimator.KeyOrdinality keyOrdinality = Microsoft.ML.Transforms.ValueToKeyMappingEstimator+KeyOrdinality.ByOccurrence, Microsoft.ML.IDataView keyData = default);static member OneHotEncoding : Microsoft.ML.TransformsCatalog.CategoricalTransforms * Microsoft.ML.InputOutputColumnPair[] * Microsoft.ML.Transforms.OneHotEncodingEstimator.OutputKind * int * Microsoft.ML.Transforms.ValueToKeyMappingEstimator.KeyOrdinality * Microsoft.ML.IDataView -> Microsoft.ML.Transforms.OneHotEncodingEstimator<Extension()>
Public Function OneHotEncoding (catalog As TransformsCatalog.CategoricalTransforms, columns As InputOutputColumnPair(), Optional outputKind As OneHotEncodingEstimator.OutputKind = Microsoft.ML.Transforms.OneHotEncodingEstimator+OutputKind.Indicator, Optional maximumNumberOfKeys As Integer = 1000000, Optional keyOrdinality As ValueToKeyMappingEstimator.KeyOrdinality = Microsoft.ML.Transforms.ValueToKeyMappingEstimator+KeyOrdinality.ByOccurrence, Optional keyData As IDataView = Nothing) As OneHotEncodingEstimatorParameter
Der Transformationskatalog.
- columns
- InputOutputColumnPair[]
Die Paare der Eingabe- und Ausgabespalten. Der Datentyp der Ausgabespalten ist ein Vektor von Single if outputKind is Bag, Indicatorund Binary.
Wenn outputKind dies der KeyDatentyp der Ausgabespalten ist, handelt es sich bei skalaren Eingabespalten oder um einen Schlüsselvektor im Fall einer Vektoreingabespalte.
- outputKind
- OneHotEncodingEstimator.OutputKind
Ausgabetyp: Bag (multi-set vector), Ind (Indikatorvektor), Key (Index) oder Binär-codierte Indikatorvektor.
- maximumNumberOfKeys
- Int32
Maximale Anzahl von Ausdrücken, die bei automatischer Schulung pro Spalte beibehalten werden sollen.
- keyOrdinality
- ValueToKeyMappingEstimator.KeyOrdinality
Wie Elemente beim Vektorieren sortiert werden sollen. Wenn ByOccurrence sie ausgewählt werden, wird sie in der reihenfolge gefunden. Wenn ByValueElemente nach ihrem Standardvergleich sortiert werden, z. B. wird bei der Textsortierung Groß-/Kleinschreibung beachtet (z. B. "A" und dann "Z".
- keyData
- IDataView
Gibt eine Reihenfolge für die Codierung an. Wenn angegeben, sollte dies eine einzelne Spaltendatenansicht sein, und die Schlüsselwerte werden aus dieser Spalte entnommen. Wenn nicht angegeben, wird die Sortierung anhand der Eingabedaten nach der Anpassung bestimmt.
Gibt zurück
Beispiele
using System;
using Microsoft.ML;
namespace Samples.Dynamic.Transforms.Categorical
{
public static class OneHotEncodingMultiColumn
{
public static void Example()
{
// Create a new ML context for ML.NET operations. It can be used for
// exception tracking and logging as well as the source of randomness.
var mlContext = new MLContext();
// Create a small dataset as an IEnumerable.
var samples = new[]
{
new DataPoint {Education = "0-5yrs", ZipCode = "98005"},
new DataPoint {Education = "0-5yrs", ZipCode = "98052"},
new DataPoint {Education = "6-11yrs", ZipCode = "98005"},
new DataPoint {Education = "6-11yrs", ZipCode = "98052"},
new DataPoint {Education = "11-15yrs", ZipCode = "98005"}
};
// Convert training data to IDataView.
IDataView data = mlContext.Data.LoadFromEnumerable(samples);
// Multi column example: A pipeline for one hot encoding two columns
// 'Education' and 'ZipCode'.
var multiColumnKeyPipeline =
mlContext.Transforms.Categorical.OneHotEncoding(
new[]
{
new InputOutputColumnPair("Education"),
new InputOutputColumnPair("ZipCode")
});
// Fit and Transform data.
IDataView transformedData =
multiColumnKeyPipeline.Fit(data).Transform(data);
var convertedData =
mlContext.Data.CreateEnumerable<TransformedData>(transformedData,
true);
Console.WriteLine(
"One Hot Encoding of two columns 'Education' and 'ZipCode'.");
// One Hot Encoding of two columns 'Education' and 'ZipCode'.
foreach (TransformedData item in convertedData)
Console.WriteLine("{0}\t\t\t{1}", string.Join(" ", item.Education),
string.Join(" ", item.ZipCode));
// 1 0 0 1 0
// 1 0 0 0 1
// 0 1 0 1 0
// 0 1 0 0 1
// 0 0 1 1 0
}
private class DataPoint
{
public string Education { get; set; }
public string ZipCode { get; set; }
}
private class TransformedData
{
public float[] Education { get; set; }
public float[] ZipCode { get; set; }
}
}
}
Hinweise
Wenn mehrere Spalten an die Schätzung übergeben werden, werden alle Spalten in einem einzigen Durchlauf über die Daten verarbeitet. Daher ist es effizienter, einen Stimator mit vielen Spalten anzugeben, als es ist, viele Schätzmittel jeweils mit einer einzelnen Spalte anzugeben.
Gilt für:
OneHotEncoding(TransformsCatalog+CategoricalTransforms, String, String, OneHotEncodingEstimator+OutputKind, Int32, ValueToKeyMappingEstimator+KeyOrdinality, IDataView)
Erstellen Sie eine OneHotEncodingEstimator, die die Eingabespalte konvertiert, die durch inputColumnName eine Spalte mit einem hotcodierten Vektoren namens angegeben outputColumnNamewird.
public static Microsoft.ML.Transforms.OneHotEncodingEstimator OneHotEncoding (this Microsoft.ML.TransformsCatalog.CategoricalTransforms catalog, string outputColumnName, string inputColumnName = default, Microsoft.ML.Transforms.OneHotEncodingEstimator.OutputKind outputKind = Microsoft.ML.Transforms.OneHotEncodingEstimator+OutputKind.Indicator, int maximumNumberOfKeys = 1000000, Microsoft.ML.Transforms.ValueToKeyMappingEstimator.KeyOrdinality keyOrdinality = Microsoft.ML.Transforms.ValueToKeyMappingEstimator+KeyOrdinality.ByOccurrence, Microsoft.ML.IDataView keyData = default);static member OneHotEncoding : Microsoft.ML.TransformsCatalog.CategoricalTransforms * string * string * Microsoft.ML.Transforms.OneHotEncodingEstimator.OutputKind * int * Microsoft.ML.Transforms.ValueToKeyMappingEstimator.KeyOrdinality * Microsoft.ML.IDataView -> Microsoft.ML.Transforms.OneHotEncodingEstimator<Extension()>
Public Function OneHotEncoding (catalog As TransformsCatalog.CategoricalTransforms, outputColumnName As String, Optional inputColumnName As String = Nothing, Optional outputKind As OneHotEncodingEstimator.OutputKind = Microsoft.ML.Transforms.OneHotEncodingEstimator+OutputKind.Indicator, Optional maximumNumberOfKeys As Integer = 1000000, Optional keyOrdinality As ValueToKeyMappingEstimator.KeyOrdinality = Microsoft.ML.Transforms.ValueToKeyMappingEstimator+KeyOrdinality.ByOccurrence, Optional keyData As IDataView = Nothing) As OneHotEncodingEstimatorParameter
Der Transformationskatalog.
- outputColumnName
- String
Name der Spalte, die aus der Transformation von inputColumnName.
Der Datentyp dieser Spalte ist ein Vektor von Single if outputKind is Bag, Indicatorund Binary.
Wenn outputKind dies der Fall ist Key, ist der Datentyp dieser Spalte ein Schlüssel bei einer skalaren Eingabespalte oder einem Schlüsselvektor im Fall einer Vektoreingabespalte.
- inputColumnName
- String
Name der Spalte, die in Vektoren mit einem Hot-Vektor konvertiert werden soll. Wenn dieser Wert als nullQuelle festgelegt ist, wird der Wert des Werts outputColumnName als Quelle verwendet. Der Datentyp dieser Spalte kann skalar oder Vektor von numerischen, Text, booleschen DateTime Oder ,DateTimeOffset
- outputKind
- OneHotEncodingEstimator.OutputKind
Ausgabetyp: Bag (Multi-Set Vector), Indikator (Indikatorvektor), Schlüssel (Index) oder Binär-codierte Indikatorvektor.
- maximumNumberOfKeys
- Int32
Maximale Anzahl von Ausdrücken, die bei automatischer Schulung pro Spalte beibehalten werden sollen.
- keyOrdinality
- ValueToKeyMappingEstimator.KeyOrdinality
Wie Elemente beim Vektorieren sortiert werden sollen. Wenn ByOccurrence sie ausgewählt werden, wird sie in der reihenfolge gefunden. Wenn ByValueElemente nach ihrem Standardvergleich sortiert werden, z. B. wird bei der Textsortierung Groß-/Kleinschreibung beachtet (z. B. "A" und dann "Z".
- keyData
- IDataView
Gibt eine Reihenfolge für die Codierung an. Wenn angegeben, sollte dies eine einzelne Spaltendatenansicht sein, und die Schlüsselwerte werden aus dieser Spalte entnommen. Wenn nicht angegeben, wird die Sortierung anhand der Eingabedaten nach der Anpassung bestimmt.
Gibt zurück
Beispiele
using System;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms;
namespace Samples.Dynamic.Transforms.Categorical
{
public static class OneHotEncoding
{
public static void Example()
{
// Create a new ML context for ML.NET operations. It can be used for
// exception tracking and logging as well as the source of randomness.
var mlContext = new MLContext();
// Create a small dataset as an IEnumerable.
var samples = new[]
{
new DataPoint {Education = "0-5yrs"},
new DataPoint {Education = "0-5yrs"},
new DataPoint {Education = "6-11yrs"},
new DataPoint {Education = "6-11yrs"},
new DataPoint {Education = "11-15yrs"}
};
// Convert training data to IDataView.
IDataView data = mlContext.Data.LoadFromEnumerable(samples);
// A pipeline for one hot encoding the Education column.
var pipeline = mlContext.Transforms.Categorical.OneHotEncoding(
"EducationOneHotEncoded", "Education");
// Fit and transform the data.
IDataView oneHotEncodedData = pipeline.Fit(data).Transform(data);
PrintDataColumn(oneHotEncodedData, "EducationOneHotEncoded");
// We have 3 slots because there are three categories in the
// 'Education' column.
// 1 0 0
// 1 0 0
// 0 1 0
// 0 1 0
// 0 0 1
// A pipeline for one hot encoding the Education column (using keying).
var keyPipeline = mlContext.Transforms.Categorical.OneHotEncoding(
"EducationOneHotEncoded", "Education",
OneHotEncodingEstimator.OutputKind.Key);
// Fit and Transform data.
oneHotEncodedData = keyPipeline.Fit(data).Transform(data);
var keyEncodedColumn =
oneHotEncodedData.GetColumn<uint>("EducationOneHotEncoded");
Console.WriteLine(
"One Hot Encoding of single column 'Education', with key type " +
"output.");
// One Hot Encoding of single column 'Education', with key type output.
foreach (uint element in keyEncodedColumn)
Console.WriteLine(element);
// 1
// 1
// 2
// 2
// 3
}
private static void PrintDataColumn(IDataView transformedData,
string columnName)
{
var countSelectColumn = transformedData.GetColumn<float[]>(
transformedData.Schema[columnName]);
foreach (var row in countSelectColumn)
{
for (var i = 0; i < row.Length; i++)
Console.Write($"{row[i]}\t");
Console.WriteLine();
}
}
private class DataPoint
{
public string Education { get; set; }
}
}
}