FeaturizationConfig クラス

継承

builtins.object

FeaturizationConfig

コンストラクター

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)

パラメーター

注釈

特徴量化カスタマイズのメソッドでは次のことが可能です。

• 列の目的を追加または削除する。 add_column_purpose メソッドと remove_column_purpose メソッドを使用すると、列の特徴量の種類に目的が正しく反映されていないときなどに、指定された列の特徴量の種類をオーバーライドできます。 add メソッドは、FeatureType クラスの FULL_SET 属性に指定された、すべての特徴量の種類の追加をサポートしています。

• トランスフォーマー パラメーターを追加または削除する。 add_transformer_params メソッドと remove_transformer_params メソッドを使用すると、Imputer、HashOneHotEncoder、TfIdf など、カスタマイズ可能なトランスフォーマーのパラメーターを変更できます。 カスタマイズ可能なトランスフォーマーは、SupportedTransformers クラスの CUSTOMIZABLE_TRANSFORMERS 属性内にリストされています。 カスタマイズ パラメーターを検索するには、get_transformer_params を使用します。

• トランスフォーマーをブロックする。 add_blocked_transformers メソッドを使用して、特徴量化プロセスに使用されるトランスフォーマーをブロックします。 トランスフォーマーは、SupportedTransformers クラスの BLOCKED_TRANSFORMERS 属性内にリストされているトランスフォーマーの 1 つにする必要があります。

• add_drop_columns メソッドで特徴量化とトレーニングで無視するドロップ列を追加する。 たとえば、有用な情報が含まれていない列をドロップできます。

• 予測変換の型を追加または削除します。 add_prediction_transform_type メソッドと

remove_prediction_transform_type メソッドを使用すると、既存のターゲット列の型をオーバーライドできます。 予測変換の型は、PredictionTransformTypes 属性で列挙されます。

次のコード例は、自動 ML で特徴量化を予測用にカスタマイズする方法を示しています。 コード例では、列のドロップと変換パラメーターの追加が示されています。

   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"})

完全なサンプルは、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 から入手できます

次の例は、ハードウェア パフォーマンス データセットを使用した回帰の問題での特徴量化のカスタマイズを示しています。 コード例では、ブロックされるトランスフォーマーが定義され、列の目的が追加され、トランスフォーマー パラメーターが追加されています。

   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})

完全なサンプルは、https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb から入手できます

その後、上のコード例で定義された FeaturizationConfig は、次のコード例に示すように、自動 ML 実験の構成で使用することができます。

   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,
   )

完全なサンプルは、https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/regression-explanation-featurization/auto-ml-regression-explanation-featurization.ipynb から入手できます

メソッド

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

属性

blocked_transformers

column_purposes

dataset_language

drop_columns

prediction_transform_type

transformer_params