microsoftml.categorical_hash: хэши и преобразует текстовый столбец в категории

Статья
01/02/2025

Употребление

microsoftml.categorical_hash(cols: [str, dict, list],
    hash_bits: int = 16, seed: int = 314489979,
    ordered: bool = True, invert_hash: int = 0,
    output_kind: ['Bag', 'Ind', 'Key', 'Bin'] = 'Bag', **kargs)

Описание

Категориальное хэш-преобразование, которое можно выполнить для данных перед обучением модели.

Подробности

categorical_hash преобразует категориальное значение в массив индикаторов, хэшируя значение и используя хэш в качестве индекса в контейнере. Если входной столбец является вектором, для него возвращается один контейнер индикатора. categorical_hash в настоящее время не поддерживает обработку данных факторов.

Аргументы

cols

Символьная строка или список имен переменных для преобразования. Если dict, ключи представляют имена новых переменных, которые необходимо создать.

hash_bits

Целое число, указывающее количество битов для хэша. Должно быть от 1 до 30 включительно. Значение по умолчанию — 16.

семя

Целое число, указывающее начальное хэширование. Значение по умолчанию — 314489979.

упорядоченный

True включить положение каждого термина в хэш. В противном случае False. Значение по умолчанию — True.

invert_hash

Целое число, указывающее ограничение на количество ключей, которые можно использовать для создания имени слота. 0 означает отсутствие инвертного хэширования; -1 означает, что ограничение не ограничено. Хотя нулевое значение обеспечивает лучшую производительность, для получения значимых имен коэффициентов требуется ненулевое значение. Значение по умолчанию — 0.

output_kind

Символьная строка, указывающая тип выходных данных.

"Bag": выводит вектор с несколькими наборами. Если входной столбец является вектором категорий, выходные данные содержат один вектор, где значение в каждом слоте — это число вхождения категории в входном векторе. Если входной столбец содержит одну категорию, вектор индикатора и вектор контейнера эквивалентны.
"Ind": выводит вектор индикатора. Входной столбец является вектором категорий, а выходные данные содержат один вектор индикатора на слот в входном столбце.
"Key: выводит индекс. Выходные данные — это целый идентификатор (от 1 до количества категорий в словаре) категории.
"Bin: выводит вектор, являющийся двоичным представлением категории.

Значение по умолчанию — "Bag".

карги

Дополнительные аргументы, отправленные подсистеме вычислений.

Возвращает

объект, определяющий преобразование.

См. также

categorical

Пример

'''
Example on rx_logistic_regression and categorical_hash.
'''
import numpy
import pandas
from microsoftml import rx_logistic_regression, categorical_hash, rx_predict
from microsoftml.datasets.datasets import get_dataset

movie_reviews = get_dataset("movie_reviews")

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 hash transform.
out_model = rx_logistic_regression("like ~ reviewCat",
                data=train_reviews,
                ml_transforms=[categorical_hash(cols=dict(reviewCat="review"))])
                
# Weights are similar to categorical.
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())

Выпуск:

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: 65537
improvement criterion: Mean Improvement
L1 regularization selected 3 of 65537 weights.
Not training a calibrator because it is not needed.
Elapsed time: 00:00:00.1209392
Elapsed time: 00:00:00.0190134
OrderedDict([('(Bias)', 0.2132447361946106), ('f1783', -0.7939924597740173), ('f38537', 0.1968022584915161)])
Beginning processing data.
Rows Read: 10, Read Time: 0, Transform Time: 0
Beginning processing data.
Elapsed time: 00:00:00.0284223
Finished writing 10 rows.
Writing completed.
           review PredictedLabel     Score  Probability
0   This is great           True  0.213245     0.553110
1       I hate it          False -0.580748     0.358761
2         Love it           True  0.213245     0.553110
3  Really like it           True  0.213245     0.553110
4       I hate it          False -0.580748     0.358761

Поделиться через