AutoAI para Python
La biblioteca autoai-libautoai-libautoai-ts-libs
Instalación de autoai-lib o autoai-ts-libs para Python
Siga las instrucciones de Instalación de bibliotecas personalizadas para instalar autoai-libautoai-ts-libs
Utilización de autoai-lib y autoai-ts-libs para Python
Las bibliotecas autoai-libautoai-ts-libsautoai-libautoai-ts-libs
Instalación de autoai-lib y autoai-ts-libs para Python
Siga las instrucciones de Instalación de bibliotecas personalizadas para instalar autoai-lib y autoai-ts-libs.
Configuración del registro a nivel de biblioteca
Puede configurar el registrador de biblioteca autoai_libs
Si no actualiza la configuración, obtendrá el comportamiento predeterminado para el registro. Por ejemplo, los mensajes de aviso de gravedad y superior (es decir, aviso, error y crítico) se imprimirán en stderr
Las funciones autoai-lib
El objeto de proyecto instanciado que se crea después de importar la biblioteca autoai-lib
autoai_libs.transformers.exportable.NumpyColumnSelector()
Selecciona un subconjunto de columnas de una matriz de numpy
Uso:
autoai_libs.transformers.exportable.NumpyColumnSelector(columns=None)
| Opción | Descripción |
|---|---|
| columnas | lista de índices de columna a seleccionar |
autoai_libs.transformers.exportable.CompressStrings()
Elimina los espacios y los caracteres especiales de las columnas de serie de una matriz X de numpy de entrada.
Uso:
autoai_libs.transformers.exportable.CompressStrings(compress_type='string', dtypes_list=None, misslist_list=None, missing_values_reference_list=None, activate_flag=True)
| Opción | Descripción |
|---|---|
|
tipo de compresión de serie. 'string' para eliminar espacios de una serie y 'hash' para crear un hash int. El valor predeterminado es 'string'. 'hash' se utiliza para columnas con series y cat_imp_strategy = 'most_frecuente' |
|
lista que contiene series que indican el tipo de columna de la matriz de numpy de entrada X (entre las series, 'char_str','int_str','float_str','float_num', 'float_int_num','int_num','boolean','Unknown'). Si es None, se descubren los tipos de columna. El valor predeterminado es None. |
|
list contiene listas de valores perdidos de cada columna de la matriz X de numpy de entrada. Si es Ninguno, se descubren los valores perdidos de cada columna. El valor predeterminado es None. |
|
lista de referencia de valores perdidos en la matriz X de numpy de entrada |
|
que indica que este transformador está activo. Si False, transform(X) genera la matriz X de numpy de entrada sin modificar. |
autoai_libs.transformers.exportable.NumpyReplaceMissingValues()
Si se da una matriz de numpy y una lista de referencia de sus valores perdidos, sustituye los valores perdidos por un valor especial (normalmente un valor perdido especial como np.nan).
Uso:
autoai_libs.transformers.exportable.NumpyReplaceMissingValues(missing_values, filling_values=np.nan)
| Opción | Descripción |
|---|---|
|
lista de referencia de valores perdidos |
|
valor especial que se asigna a valores desconocidos |
autoai_libs.transformers.exportable.NumpyReplaceUnknownValues()
Si se da una matriz de numpy y una lista de referencia de valores conocidos para cada columna, sustituye los valores que no forman parte de una lista de referencia por un valor especial (normalmente np.nan). Este método se utiliza normalmente para eliminar etiquetas para las columnas de un conjunto de datos de prueba que no se ha visto en las columnas correspondientes del conjunto de datos de entrenamiento.
Uso:
autoai_libs.transformers.exportable.NumpyReplaceUnknownValues(known_values_list=None, filling_values=None, missing_values_reference_list=None)
| Opción | Descripción |
|---|---|
|
lista de referencia de listas de valores conocidos para cada columna |
|
valor especial que se asigna a valores desconocidos |
|
lista de referencia de valores perdidos |
autoai_libs.transformers.exportable.boolean2float()
Convierte una matriz booleana NumPy a flotantes, sustituyendo los valores que faltan por unos. También cambia el tipo de matriz de 'objet' a 'float'.
Uso:
autoai_libs.transformers.exportable.boolean2float(activate_flag=True)
| Opción | Descripción |
|---|---|
|
que indica que este transformador está activo. Si False, transform(X) genera la matriz X de numpy de entrada sin modificar. |
autoai_libs.transformers.exportable.CatImputer()
Este transformador es un envoltorio para imputador categórico. Internamente, actualmente utiliza skaprende SimpleImputer
Uso:
autoai_libs.transformers.exportable.CatImputer(strategy, missing_values, sklearn_version_family=global_sklearn_version_family, activate_flag=True)
| Opción | Descripción |
|---|---|
|
serie, opcional, valor predeterminado=”mean”. La estrategia de imputación para valores perdidos. - - - - |
|
número, serie, np.nan (valor predeterminado) o None. El marcador de los valores perdidos. Se imputan todas las apariciones de missing_values. |
|
str que indica la versión de skaprende para compatibilidad con versiones anteriores con las versiones 019 y 020dev. Actualmente no se utiliza. El valor predeterminado es None. |
|
que indica que este transformador está activo. Si False, transform(X) genera la matriz X de numpy de entrada sin modificar. |
autoai_libs.transformers.exportable.CatEncoder()
Este método es un derivador para el codificador categórico. Si el parámetro de codificación es 'ordinal', internamente utiliza actualmente sklearn OrdinalEncoder. Si el parámetro de codificación es 'onehot', o 'onehot-dense' internamente utiliza sklearn OneHotEncoder
Uso:
autoai_libs.transformers.exportable.CatEncoder(encoding, categories, dtype, handle_unknown, sklearn_version_family=global_sklearn_version_family, activate_flag=True)
| Opción | Descripción |
|---|---|
|
str, 'onehot', 'onehot-dense' u 'ordinal'. El tipo de codificación a utilizar (el valor predeterminado es 'ordinal') 'onehot': codifique las características utilizando un esquema one-hot aka one-of-K (o también denominado codificación 'dummy'). Esta codificación crea una columna binaria para cada categoría y devuelve una matriz dispersa. 'onehot-dense': igual que 'onehot' pero devuelve una matriz densa en lugar de una matriz dispersa. 'ordinal': codifica las características como enteros ordinales. El resultado es una sola columna de enteros (0 a n_categories-1) por característica. |
|
'auto' o una lista de listas/matrices de valores. Categorías (valores exclusivos) por característica: 'auto': Determinar categorías automáticamente a partir de los datos de entrenamiento. |
|
tipo de número, np.float64 predeterminado. dtype de resultados deseado. |
|
'error' (valor predeterminado) o 'ignore'. Si se debe indicar un error o ignorar que una característica categórica desconocida está presente durante la transformación (el valor predeterminado es indicarlo). Cuando este parámetro se establece en 'ignore' y se encuentra una categoría desconocida durante la transformación, las columnas codificadas en caliente resultantes para esta característica son todas ceros. En la transformación inversa, una categoría desconocida se indica como Ninguno. No se permite ignorar las categorías desconocidas para |
|
str que indica la versión de skaprende para compatibilidad con versiones anteriores con las versiones 019 y 020dev. Actualmente no se utiliza. El valor predeterminado es None. |
|
que indica que este transformador está activo. Si False, transform(X) genera la matriz X de numpy de entrada sin modificar. |
autoai_libs.transformers.exportable.float32_transform()
Transforma una matriz de numpy de float64 a float32.
Uso:
autoai_libs.transformers.exportable.float32_transform(activate_flag=True)
| Opción | Descripción |
|---|---|
|
que indica que este transformador está activo. Si False, transform(X) genera la matriz X de numpy de entrada sin modificar. |
autoai_libs.transformers.exportable.FloatStr2Float()
Si se da la matriz X de numpy y la dtypes_list que denota los tipos de sus columnas, sustituye las columnas de series que representan flotantes (tipo 'float_str' en dtypes_list) por columnas de flotantes y sustituye los valores perdidos por np.nan.
Uso:
autoai_libs.transformers.exportable.FloatStr2Float(dtypes_list, missing_values_reference_list=None, activate_flag=True)
| Opción | Descripción |
|---|---|
|
list contiene series que denotan el tipo de cada columna de la matriz X de numpy de entrada (las series están entre 'char_str', 'int_str', 'float_str', 'float_num', 'float_int_num', 'int_num', 'Boolean', 'Unknown'). |
|
lista de referencia de valores perdidos |
|
que indica que este transformador está activo. Si False, transform(X) genera la matriz X de numpy de entrada sin modificar. |
autoai_libs.transformers.exportable.NumImputer()
Este método es un derivador para el imputador numérico.
Uso:
autoai_libs.transformers.exportable.NumImputer(strategy, missing_values, activate_flag=True)
| Opción | Descripción |
|---|---|
|
num_imp_strategy: string, opcional (default = "mean "). La estrategia de imputación: -Si es "media", sustituya los valores perdidos utilizando la media a lo largo del eje. -Si es "mediana", sustituya los valores perdidos utilizando la mediana a lo largo del eje. -Si es "most_frecuente", sustituya los valores perdidos utilizando el valor más frecuente a lo largo del eje. |
|
entero, o “NaN”, opcional (valor predeterminado=”NaN”). El marcador de los valores perdidos. Todas las apariciones de missing_values se imputan Para valores perdidos codificados como np.nan, utilice el valor de cadena “NaN” |
autoai_libs.transformers.exportable.OptStandardScaler()
Este parámetro es un derivador para el escalado de variables numéricas. Actualmente utiliza sklearn StandardScaler internamente.
Uso:
autoai_libs.transformers.exportable.OptStandardScaler(use_scaler_flag=True, num_scaler_copy=True, num_scaler_with_mean=True, num_scaler_with_std=True)
| Opción | Descripción |
|---|---|
|
booleano, opcional, valor predeterminado True. Si es False, intente evitar una copia y, en su lugar, realice el escalado en el sitio. No se garantiza que esta acción funcione siempre. Con in situ, por ejemplo, si los datos no son una matriz NumPy o una matriz CSR scipy.sparse , es posible que se devuelva una copia. |
|
booleano, True de forma predeterminada. Si es True, centra los datos antes del escalado. Se genera una excepción cuando se intenta en matrices dispersas porque centrarlas implica crear una matriz densa, que en casos de uso comunes es probable que sea demasiado grande para caber en la memoria. |
|
booleano, True de forma predeterminada. Si es True, escala los datos a la variación de unidad (o de forma equivalente, desviación estándar de unidad). |
|
Booleano, distintivo que indica que este transformador está activo. Si False, transform(X) genera la matriz X de numpy de entrada sin modificar. El valor predeterminado es True. |
autoai_libs.transformers.exportable.NumpyPermuteArray()
Reorganiza columnas o filas de una matriz numpy basándose en una lista de índices.
Uso:
autoai_libs.transformers.exportable.NumpyPermuteArray(permutation_indices=None, axis=None)
| Opción | Descripción |
|---|---|
|
lista de índices basados en qué columnas se reordenan |
|
0 permute a lo largo de las columnas. 1 permute a lo largo de las filas. |
Transformación de características
Estos métodos se aplican a las transformaciones de características que se describen en Detalles de implementación de AutoAI.
autoai_libs.cognito.transforms.transform_utils.TA1(fun, name=None, datatypes=None, feat_constraints=None, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
Para las funciones sin estado unarias, como cuadrado o registro, utilice TA1.
Uso:
autoai_libs.cognito.transforms.transform_utils.TA1(fun, name=None, datatypes=None, feat_constraints=None, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opción | Descripción |
|---|---|
|
el puntero de función |
|
un nombre de serie que identifica de forma exclusiva este transformador de otros |
|
una lista de tipos de datos que son una entrada válida para la función de transformador (numérico, flotante, int, etc.) |
|
todas las restricciones, que debe satisfacer una columna para que se considere una entrada válida para esta transformación |
|
el objeto tgraph debe ser el TGraph inicial () . Este parámetro es opcional y puede pasar Ninguno, pero esto puede dar como resultado que no se detecten algunas ineficiencias debido a la falta de almacenamiento en memoria caché. |
|
utilice solo applyAll = True. Significa que el transformador enumera todas las características (o conjuntos de características) que coinciden con los criterios especificados y aplica la función proporcionada a cada uno. |
|
nombres de las columnas de características de una lista |
|
lista de los tipos de datos de las columnas de características |
autoai_libs.cognito.transforms.transform_utils.TA2()
Para funciones binarias sin estado, como sum o product, utilice TA2.
Uso:
autoai_libs.cognito.transforms.transform_utils.TA2(fun, name, datatypes1, feat_constraints1, datatypes2, feat_constraints2, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opción | Descripción |
|---|---|
|
el puntero de función |
|
|
|
una lista de tipos de datos, cualquiera de los cuales son entradas válidas (primer parámetro) para la función de transformador (numérico, flotante, int, etc.) |
|
todas las restricciones, que debe satisfacer una columna para que se considere una entrada válida (primer parámetro) para esta transformación |
|
una lista de tipos de datos que son entradas válidas (segundo parámetro) para la función de transformador (numérico, flotante, int, etc.) |
|
todas las restricciones, que debe satisfacer una columna para que se considere una entrada válida (segundo parámetro) para esta transformación |
|
el objeto tgraph debe ser el TGraph de invocación () . Tenga en cuenta que este parámetro es opcional y que puede pasar Ninguno, pero eso da como resultado algunas ineficiencias que faltan debido a la falta de almacenamiento en memoria caché |
|
utilice solo applyAll = True. Significa que el transformador enumera todas las características (o conjuntos de características) que coinciden con los criterios especificados y aplica la función proporcionada a cada uno. |
|
nombres de las columnas de características de una lista |
|
lista de los tipos de datos de las columnas de características |
autoai_libs.cognito.transforms.transform_utils.TB1()
Para transformaciones unarias basadas en estado (con ajuste/transformación), por ejemplo el recuento frecuente.
Uso:
autoai_libs.cognito.transforms.transform_utils.TB1(tans_class, name, datatypes, feat_constraints, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opción | Descripción |
|---|---|
|
una clase que implementa |
|
un nombre de serie que identifica de forma exclusiva este transformador de otros |
|
lista de tipos de datos que son una entrada válida para la función de transformador (numérico, flotante, int, etc.) |
|
todas las restricciones, que debe satisfacer una columna para que se considere una entrada válida para esta transformación |
|
el objeto tgraph debe ser el TGraph de invocación () . Tenga en cuenta que esto es opcional y que puede pasar Ninguno, pero eso da como resultado algunas ineficiencias que faltan debido a la falta de almacenamiento en memoria caché |
|
utilice solo applyAll = True. Significa que el transformador enumera todas las características (o conjuntos de características) que coinciden con los criterios especificados y aplica la función proporcionada a cada uno. |
|
nombres de las columnas de características de una lista. |
|
lista de los tipos de datos de las columnas de características. |
autoai_libs.cognito.transforms.transform_utils.TB2()
Para utilizar transformaciones binarias basadas en estado (con fit/transform), por ejemplo group-by.
Uso:
autoai_libs.cognito.transforms.transform_utils.TB2(tans_class, name, datatypes1, feat_constraints1, datatypes2, feat_constraints2, tgraph=None, apply_all=True)
| Opción | Descripción |
|---|---|
|
una clase que implementa fit( ) y transform( ) según la definición de la función de transformación |
|
un nombre de serie que identifica de forma exclusiva este transformador de otros |
|
una lista de tipos de datos que son entradas válidas (primer parámetro) para la función de transformador (numérico, flotante, int, etc.) |
|
todas las restricciones, que debe satisfacer una columna para que se considere una entrada válida (primer parámetro) para esta transformación |
|
una lista de tipos de datos que son entradas válidas (segundo parámetro) para la función de transformador (numérico, flotante, int, etc.) |
|
todas las restricciones, que debe satisfacer una columna para que se considere una entrada válida (segundo parámetro) para esta transformación |
|
el objeto tgraph debe ser el TGraph de invocación () . Este parámetro es opcional y puede pasar Ninguno, pero eso da como resultado algunas ineficiencias que faltan debido a la falta de almacenamiento en memoria caché |
|
utilice solo applyAll = True. Significa que el transformador enumera todas las características (o conjuntos de características) que coinciden con los criterios especificados y aplica la función proporcionada a cada uno. |
autoai_libs.cognito.transforms.transform_utils.TAM()
Para una transformación que se aplique a nivel de datos, como PCA, utilice TAM.
Uso:
autoai_libs.cognito.transforms.transform_utils.TAM(tans_class, name, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opción | Descripción |
|---|---|
|
una clase que implementa |
|
un nombre de serie que identifica de forma exclusiva este transformador de otros |
|
el objeto tgraph debe ser el TGraph de invocación () . Este parámetro es opcional y puede pasar Ninguno, pero eso da como resultado algunas ineficiencias que faltan debido a la falta de almacenamiento en memoria caché |
|
utilice solo applyAll = True. Significa que el transformador enumera todas las características (o conjuntos de características) que coinciden con los criterios especificados y aplica la función proporcionada a cada uno. |
|
nombres de las columnas de características de una lista |
|
lista de los tipos de datos de las columnas de características |
autoai_libs.cognito.transforms.transform_utils.TGen()
TGen es un derivador general y se puede utilizar para la mayoría de las funciones (aunque podría no ser más eficiente).
Uso:
autoai_libs.cognito.transforms.transform_utils.TGen(fun, name, arg_count, datatypes_list, feat_constraints_list, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opción | Descripción |
|---|---|
|
el puntero de función |
|
un nombre de serie que identifica de forma exclusiva este transformador de otros |
|
número de entradas a la función, en este ejemplo es 1, para binario, es 2, y así sucesivamente |
|
una lista de listas de arg_count que corresponden a los tipos de datos de entrada aceptables para cada parámetro. En el ejemplo anterior, desde `arg_count=1``, el resultado es una lista dentro de la lista externa y contiene un único tipo denominado 'numeric'. En otro caso, podría ser un caso específico 'int' o incluso más específico 'int64'. |
|
una lista de listas arg_count que corresponden a algunas restricciones que se pueden imponer en la selección de las características de entrada |
|
el objeto tgraph debe ser el TGraph de invocación () . Tenga en cuenta que este parámetro es opcional y que puede pasar Ninguno, pero eso da como resultado algunas ineficiencias que faltan debido a la falta de almacenamiento en memoria caché |
|
utilice solo applyAll = True. Significa que el transformador enumera todas las características (o conjuntos de características) que coinciden con los criterios especificados y aplica la función proporcionada a cada uno. |
|
nombres de las columnas de características de una lista |
|
lista de los tipos de datos de las columnas de características |
autoai_libs.cognito.transforms.transform_utils.FS1()
Selección de características, tipo 1 (mediante la correlación por pairwise entre cada característica y destino).
Uso:
autoai_libs.cognito.transforms.transform_utils.FS1(cols_ids_must_keep, additional_col_count_to_keep, ptype)
| Opción | Descripción |
|---|---|
|
número de serie de las columnas que se deben conservar independientemente de la importancia de sus características |
|
número de columnas que se deben conservar |
|
clasificación o regresión |
autoai_libs.cognito.transforms.transform_utils.FS2()
Selección de características, tipo 2.
Uso:
autoai_libs.cognito.transforms.transform_utils.FS2(cols_ids_must_keep, additional_col_count_to_keep, ptype, eval_algo)
| Opción | Descripción |
|---|---|
|
número de serie de las columnas que se deben conservar independientemente de la importancia de sus características |
|
número de columnas que se deben conservar |
|
clasificación o regresión |
Las funciones autoai-ts-libs
La combinación de transformadores y estimadores se diseñan y eligen para cada conducto mediante el sistema AutoAI de serie temporal. Cambiar los transformadores o los estimadores en el cuaderno de interconexión generado puede causar resultados inesperados o incluso un error. No le recomendamos que cambie el cuaderno para las interconexiones generadas, por lo que actualmente no ofrecemos la especificación de las funciones para la biblioteca autoai-ts-libs
Más información
Selección de un modelo de AutoAI
Tema padre: Guardar un cuaderno generado de AutoAI