Можно ли подковывать коллекции C # с помощью ML.NET Preview (0.6)? - PullRequest
Новая
       10

Можно ли подковывать коллекции C # с помощью ML.NET Preview (0.6)?

0 голосов
/ 17 октября 2018

Допустим, у меня сложный тип: 

class Policy
{
    string Name { get; set; }
    DateTime InceptionDate { get; set; }
    DateTime ExpirationDate { get; set; }
    List<Location> Locations { get; set; }
}

class Location
{
    string Street { get; set; }
    string City { get; set; }
    string State { get; set; }
    string PostalCode { get; set; }
}

Как я могу преобразовать коллекцию Locations в удобную колонку, понятную ML.NET?

Ответы [ 2 ]

0 голосов
/ 26 октября 2018

Можно придать значение Массиву из примитивов типов.

Если ваш класс выглядел следующим образом: 

class Policy
{
    string Name { get; set; }
    DateTime InceptionDate { get; set; }
    DateTime ExpirationDate { get; set; }
    float[] Locations { get; set; }
}

Тогда Locations будет преобразован в Vector типа R4 (отображение для float).

Затем вы создадите SchemaDefinition: 

var env = new LocalEnvironment();
var schemaDef = SchemaDefinition.Create(typeof(Policy));

Если размер вектора равеннеизвестно во время компиляции, вам также потребуется: 

int vectorSize = 4
schemaDef["Locations"].ColumnType = new VectorType(NumberType.R4, vectorSize);

Если размер вектора фиксирован, вы можете добавить атрибут VectorType к свойству: 

class Policy
{
    string Name { get; set; }
    DateTime InceptionDate { get; set; }
    DateTime ExpirationDate { get; set; }

    [VectorType(4)]
    float[] Locations { get; set; }
}

Затем вы создаете DataView: 

var data = new List<Policy>();
var dataView = env.CreateStreamingDataView(data, schemaDef);

В вашем случае Locations - это класс, поэтому я считаю, что вам сначала нужно преобразовать его в примитивный массив путем объединения значений, как в этом примере: 

public class IrisData
{
    public float Label;
    public float SepalLength;
    public float SepalWidth;
    public float PetalLength;
    public float PetalWidth;
}

public class IrisVectorData
{
    public float Label;
    public float[] Features;
}

static void Main(string[] args)
{
    // Here's a data array that we want to work on.
    var dataArray = new[] {
        new IrisData{Label=1, PetalLength=1, SepalLength=1, PetalWidth=1, SepalWidth=1},
        new IrisData{Label=0, PetalLength=2, SepalLength=2, PetalWidth=2, SepalWidth=2}
    };

    // Create the ML.NET environment.
    var env = new Microsoft.ML.Runtime.Data.TlcEnvironment();

    // Create the data view.
    // This method will use the definition of IrisData to understand what columns there are in the 
    // data view.
    var dv = env.CreateDataView<IrisData>(dataArray);

    // Now let's do something to the data view. For example, concatenate all four non-label columns
    // into 'Features' column.
    dv = new Microsoft.ML.Runtime.Data.ConcatTransform(env, dv, "Features", 
        "SepalLength", "SepalWidth", "PetalLength", "PetalWidth");

    // Read the data into an another array, this time we read the 'Features' and 'Label' columns
    // of the data, and ignore the rest.
    // This method will use the definition of IrisVectorData to understand which columns and of which types
    // are expected to be present in the input data.
    var arr = dv.AsEnumerable<IrisVectorData>(env, reuseRowObject: false)
        .ToArray();
}

Но я еще не пробовал этот случай, поэтому не могу больше здесь помочь.

Также ознакомьтесь с документацией по пониманию схемы здесь

0 голосов
/ 19 октября 2018

Пример, который считывает данные из памяти в конвейер ML с новыми API, можно найти здесь .Копируем соответствующий код, хотя ссылка имеет несколько дополнительных полезных комментариев: 

var mlContext = new MLContext();

IEnumerable<CustomerChurnInfo> churnData = GetChurnInfo();

var trainData = mlContext.CreateStreamingDataView(churnData);

var dynamicLearningPipeline = mlContext.Transforms.Categorical.OneHotEncoding("DemographicCategory")
    .Append(new ConcatEstimator(mlContext, "Features", "DemographicCategory", "LastVisits"))
    .Append(mlContext.BinaryClassification.Trainers.FastTree("HasChurned", "Features", numTrees: 20));

var dynamicModel = dynamicLearningPipeline.Fit(trainData);
...