FeaturizationConfig Classe

Herança

builtins.object

FeaturizationConfig

Construtor

FeaturizationConfig(blocked_transformers: List[str] | None = None, column_purposes: Dict[str, str] | None = None, transformer_params: Dict[str, List[Tuple[List[str], Dict[str, Any]]]] | None = None, drop_columns: List[str] | None = None, dataset_language: str | None = None, prediction_transform_type: str | None = None)

Parâmetros

Comentários

A personalização da definição de recursos tem métodos que permitem:

• Adicionar ou remover a finalidade da coluna. Com os métodos add_column_purpose e remove_column_purpose, você pode substituir o tipo de recurso para colunas especificadas, por exemplo, quando o tipo de recurso de coluna não reflete corretamente a finalidade. O método add dá suporte à adição de todos os tipos de recursos determinados no atributo FULL_SET da classe FeatureType.

• Adicionar ou remover parâmetros de transformador. Com os métodos add_transformer_params e remove_transformer_params, você pode alterar os parâmetros de transformadores personalizáveis, como Imputer, HashOneHotEncoder e TfIdf. Os transformadores personalizáveis são listados no atributo CUSTOMIZABLE_TRANSFORMERS da classe SupportedTransformers. Use o get_transformer_params para pesquisar parâmetros de personalização.

• Bloquear os transformadores. Bloqueie os transformadores a serem usados para o processo de definição de recursos com o método add_blocked_transformers. Os transformadores precisam ser um dos transformadores listados no atributo BLOCKED_TRANSFORMERS da classe SupportedTransformers.

• Adicionar uma remoção de coluna a ser ignorada para definição de recursos e treinamento com o método add_drop_columns. Por exemplo, você pode remover uma coluna que não contém informações úteis.

• Adicionar ou remover tipo de transformação de previsão. Com os métodos add_prediction_transform_type e

remove_prediction_transform_type, você pode substituir o tipo de coluna de destino existente. Os tipos de transformação previsão são listados no atributo PredictionTransformTypes.

O exemplo de código a seguir mostra como personalizar a definição de recursos no ML automatizado para previsão. No código de exemplo, são mostrados a remoção de uma coluna e a adição de parâmetros de transformação.

   featurization_config = FeaturizationConfig()
   # Force the CPWVOL5 feature to be numeric type.
   featurization_config.add_column_purpose("CPWVOL5", "Numeric")
   # Fill missing values in the target column, Quantity, with zeros.
   featurization_config.add_transformer_params(
       "Imputer", ["Quantity"], {"strategy": "constant", "fill_value": 0}
   )
   # Fill missing values in the INCOME column with median value.
   featurization_config.add_transformer_params(
       "Imputer", ["INCOME"], {"strategy": "median"}
   )
   # Fill missing values in the Price column with forward fill (last value carried forward).
   featurization_config.add_transformer_params("Imputer", ["Price"], {"strategy": "ffill"})

O exemplo completo está disponível em https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/forecasting-orange-juice-sales/auto-ml-forecasting-orange-juice-sales.ipynb

O exemplo a seguir mostra como personalizar a definição de recursos em um problema de regressão usando o Conjunto de Dados de Desempenho de Hardware. No código de exemplo, um transformador bloqueado é definido, as finalidades da coluna são adicionadas e os parâmetros de transformador são adicionados.

   featurization_config = FeaturizationConfig()
   featurization_config.blocked_transformers = ["LabelEncoder"]
   # featurization_config.drop_columns = ['MMIN']
   featurization_config.add_column_purpose("MYCT", "Numeric")
   featurization_config.add_column_purpose("VendorName", "CategoricalHash")
   # default strategy mean, add transformer param for for 3 columns
   featurization_config.add_transformer_params("Imputer", ["CACH"], {"strategy": "median"})
   featurization_config.add_transformer_params(
       "Imputer", ["CHMIN"], {"strategy": "median"}
   )
   featurization_config.add_transformer_params(
       "Imputer", ["PRP"], {"strategy": "most_frequent"}
   )
   # featurization_config.add_transformer_params('HashOneHotEncoder', [], {"number_of_bits": 3})

O exemplo completo está disponível em https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb

O FeaturizationConfig definido no exemplo de código acima pode ser usado na configuração de um experimento de ML automatizado, conforme mostrado no próximo exemplo de código.

   automl_settings = {
       "enable_early_stopping": True,
       "experiment_timeout_hours": 0.25,
       "max_concurrent_iterations": 4,
       "max_cores_per_iteration": -1,
       "n_cross_validations": 5,
       "primary_metric": "normalized_root_mean_squared_error",
       "verbosity": logging.INFO,
   }

   automl_config = AutoMLConfig(
       task="regression",
       debug_log="automl_errors.log",
       compute_target=compute_target,
       featurization=featurization_config,
       training_data=train_data,
       label_column_name=label,
       **automl_settings,
   )

O exemplo completo está disponível em https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb

Métodos

add_blocked_transformers

add_blocked_transformers(transformers: str | List[str]) -> None

add_column_purpose

add_column_purpose(column_name: str, feature_type: str) -> None

add_drop_columns

add_drop_columns(drop_columns: str | List[str]) -> None

add_prediction_transform_type

add_prediction_transform_type(prediction_transform_type: str) -> None

add_transformer_params

add_transformer_params(transformer: str, cols: List[str], params: Dict[str, Any]) -> None

   featurization_config = FeaturizationConfig()
   # Force the CPWVOL5 feature to be numeric type.
   featurization_config.add_column_purpose("CPWVOL5", "Numeric")
   # Fill missing values in the target column, Quantity, with zeros.
   featurization_config.add_transformer_params(
       "Imputer", ["Quantity"], {"strategy": "constant", "fill_value": 0}
   )
   # Fill missing values in the INCOME column with median value.
   featurization_config.add_transformer_params(
       "Imputer", ["INCOME"], {"strategy": "median"}
   )
   # Fill missing values in the Price column with forward fill (last value carried forward).
   featurization_config.add_transformer_params("Imputer", ["Price"], {"strategy": "ffill"})

get_transformer_params

get_transformer_params(transformer: str, cols: List[str]) -> Dict[str, Any]

remove_column_purpose

remove_column_purpose(column_name: str) -> None

remove_prediction_transform_type

remove_prediction_transform_type() -> None

remove_transformer_params

remove_transformer_params(transformer: str, cols: List[str] | None = None) -> None

Atributos

blocked_transformers

column_purposes

dataset_language

drop_columns

prediction_transform_type

transformer_params