FeaturizationConfig 類別

繼承

builtins.object

FeaturizationConfig

建構函式

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)

參數

備註

特徵化自訂具有可讓您：

• 新增或移除資料行用途。 add_column_purpose使用 和 remove_column_purpose 方法，您可以覆寫指定資料行的功能類型，例如，當資料行的功能類型無法正確反映其用途時。 add 方法支援新增 類別的 FULL_SET 屬性 FeatureType 中提供的所有功能類型。

• 新增或移除轉換器參數。 add_transformer_params透過 和 remove_transformer_params 方法，您可以變更可自訂轉換器的參數，例如 Imputer、HashOneHotEncoder 和 TfIdf。 可自訂的轉換器會列在 SupportedTransformers 類別CUSTOMIZABLE_TRANSFORMERS屬性中。 get_transformer_params使用 來查閱自訂參數。

• 區塊轉換器。 使用 方法用於特徵化程式的 add_blocked_transformers 區塊轉換器。 轉換器必須是類別中 SupportedTransformers 所列的其中一個轉換器，BLOCKED_TRANSFORMERS 屬性。

• 使用 方法新增置放資料行以忽略特徵化和定型 add_drop_columns 。 例如，您可以卸載不包含實用資訊的資料行。

• 新增或移除預測轉換類型。 使用 add_prediction_transform_type 和

remove_prediction_transform_type 您可以覆寫現有目標資料行類型的方法。 預測轉換類型會列在 屬性中 PredictionTransformTypes 。

下列程式碼範例示範如何在自動化 ML 中自訂特徵化以進行預測。 在範例程式碼中，會顯示卸載資料行並新增轉換參數。

   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"})

完整範例可從 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

下一個範例顯示使用硬體效能資料集在回歸問題中自訂特徵化。 在範例程式碼中，會定義封鎖的轉換器、新增資料行用途，以及新增轉換器參數。

   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})

完整範例可從 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb

上述程式碼範例中定義的 FeaturizationConfig 接著可以在自動化 ML 實驗的設定中使用，如下一個程式碼範例所示。

   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,
   )

完整範例可從 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb

方法

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

屬性

blocked_transformers

column_purposes

dataset_language

drop_columns

prediction_transform_type

transformer_params