FeaturizationConfig クラス

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

特徴量化のカスタマイズには、次のことが可能なメソッドがあります。

• 列の目的を追加または削除します。 add_column_purposeおよびremove_column_purposeメソッドを使用すると、たとえば、列の特徴の種類がその目的を正しく反映していない場合に、指定した列の特徴の種類をオーバーライドできます。 add メソッドでは、 FeatureType クラスのFULL_SET属性で指定されたすべてのフィーチャタイプの追加がサポートされています。

• トランスフォーマー パラメーターを追加または削除します。 add_transformer_paramsメソッドとremove_transformer_paramsメソッドを使用すると、Imputer、HashOneHotEncoder、TfIdf などの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属性に一覧表示されます。 get_transformer_paramsを使用してカスタマイズ パラメーターを参照します。

• トランスフォーマーをブロックします。 add_blocked_transformersメソッドを使用して特徴付けプロセスに使用するブロック トランスフォーマー。 トランスフォーマーは、 SupportedTransformers クラスBLOCKED_TRANSFORMERS属性にリストされているトランスフォーマーのいずれかである必要があります。

• add_drop_columns メソッドを使用して特徴量化とトレーニングを無視するドロップ列を追加します。 たとえば、有用な情報を含まない列を削除できます。

• 予測変換の種類を追加または削除します。 add_prediction_transform_type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種類をオーバーライドできます。 予測変換の種類は、 PredictionTransformTypes 属性に一覧表示されます。

次のコード例は、予測用の自動 ML で特徴量化をカスタマイズする方法を示しています。 このコード例では、列を削除し、変換パラメーターを追加しています。

   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"})

完全なサンプルは次から入手できます 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

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て回帰問題の特徴量化をカスタマイズする方法を示しています。 このコード例では、ブロックされた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})

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

上記のコード例で定義されている 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,
   )

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

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

blocked_transformers

column_purposes

dataset_language

drop_columns

prediction_transform_type

transformer_params