Champ features dans neptune_ml - Amazon Neptune
nœudpériphériquepropertytypenormlangagemax_lengthseparatorrangebucket_cntslide_window_sizeimputermax_featuresmin_dfngram_rangedatetime_parts

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Champ features dans neptune_ml

Les valeurs des propriétés et les littéraux RDF se présentent sous différents formats et types de données. Pour obtenir de bonnes performances de machine learning, il est essentiel de convertir ces valeurs en encodages numériques appelés fonctionnalités.

Neptune ML effectue l'extraction et l'encodage des fonctionnalités dans le cadre des étapes d'exportation et de traitement des données, comme décrit dans Encodage des fonctionnalités dans Neptune ML.

Pour les jeux de données de graphe de propriétés, le processus d'exportation déduit automatiquement les fonctionnalités auto pour les propriétés de chaîne et pour les propriétés numériques qui contiennent des valeurs multiples. Pour les propriétés numériques contenant des valeurs uniques, il déduit des fonctionnalités numerical. Pour les propriétés de date, il déduit des fonctionnalités datetime.

Si vous souhaitez remplacer une spécification de fonctionnalité déduite automatiquement ou ajouter une spécification numérique de compartiment, TF-IDF, FastText ou SBERT pour une propriété, vous pouvez contrôler l'encodage des fonctionnalités à l'aide du champ de fonctionnalités.

Note

Vous pouvez uniquement utiliser le champ features pour contrôler les spécifications des fonctionnalités pour les données de graphe de propriétés, et non pour les données RDF.

Pour le texte de forme libre, Neptune ML peut utiliser plusieurs modèles différents pour convertir la séquence de jetons d'une valeur de propriété de chaîne en un vecteur de valeur réelle de taille fixe :

  • text_fasttext : utilise l'encodage fastText. Il s'agit de l'encodage recommandé pour les fonctionnalités qui utilisent une et une seule des cinq langues prises en charge par fastText.

  • text_sbert : utilise les modèles d'encodage Sentence BERT (SBERT). Il s'agit de l'encodage recommandé pour le texte que text_fasttext ne prend pas en charge.

  • text_word2vec : utilise les algorithmes Word2Vec publiés à l'origine par Google pour encoder du texte. Word2Vec prend en charge uniquement l'anglais.

  • text_tfidf : utilise un vectoriseur de fréquence de terme et de fréquence de document inverse (TF-IDF) pour l'encodage de texte. L'encodage TF-IDF prend en charge des fonctionnalités statistiques que les autres encodages ne prennent pas en charge.

Le champ features contient un tableau JSON des fonctionnalités des propriétés des nœuds. Les objets figurant dans le tableau peuvent contenir les champs suivants :

Champ node dans features

Le champ node spécifie l'étiquette de graphe de propriétés d'un sommet de fonctionnalité. Par exemple :

  "node": "Person"

Si un sommet possède plusieurs étiquettes, utilisez un tableau qui les contiendra. Par exemple :

  "node": ["Admin", "Person"]

Champ edge dans features

Le champ edge spécifie le type d'arête d'une arête de fonctionnalité. Un type d'arête consiste en un tableau contenant les étiquettes de graphe de propriétés du sommet source, l'étiquette de graphe de propriétés de l'arête et la ou les étiquettes de graphe de propriétés du sommet de destination. Vous devez fournir ces trois valeurs lorsque vous spécifiez une fonctionnalité d'arête. Par exemple :

  "edge": ["User", "reviewed", "Movie"]

Si un sommet source ou de destination d'un type d'arête possède plusieurs étiquettes, utilisez un autre tableau qui les contiendra. Par exemple :

  "edge": [["Admin", "Person"]. "edited", "Post"]

Champ property dans features

Utilisez le paramètre de propriété pour spécifier une propriété du sommet identifié par le paramètre node. Par exemple :

  "property" : "age"

Valeurs possibles du champ type pour les fonctionnalités

Le paramètre type indique le type de fonctionnalité en cours de définition. Par exemple :

  "type": "bucket_numerical"
Valeurs possibles du paramètre type

  • "auto" : spécifie que Neptune ML doit détecter automatiquement le type de propriété et appliquer un encodage de fonctionnalité approprié. Une fonctionnalité auto peut également comporter un champ separator facultatif.

    Consultez Encodage automatique des fonctionnalités dans Neptune ML.

  • "category" : cet encodage de fonctionnalité représente une valeur de propriété sous la forme d'une catégorie parmi un certain nombre de catégories. En d'autres termes, la fonctionnalité peut prendre une ou plusieurs valeurs discrètes. Une fonctionnalité category peut également comporter un champ separator facultatif.

    Consultez Fonctionnalités catégorielles dans Neptune ML.

  • "numerical" : cet encodage de fonctionnalité représente les valeurs de propriété numériques sous forme de nombres dans un intervalle continu où « supérieur à » et « inférieur à » ont une signification.

    Une fonctionnalité numerical peut également comporter des champs norm, imputer et separator facultatifs.

    Consultez Fonctionnalités numériques dans Neptune ML.

  • "bucket_numerical" : cet encodage de fonctionnalité divise les valeurs de propriété numériques en un ensemble de compartiments ou de catégories.

    Par exemple, vous pouvez encoder l'âge des personnes dans 4 compartiments : les enfants (0 à 20), les jeunes adultes (20 à 40), les personnes d'âge moyen (40 à 60) et les personnes âgées (à partir de 60).

    Une fonctionnalité bucket_numerical nécessite un champ range et un champ bucket_cnt, et peut éventuellement inclure un champ imputer et/ou slide_window_size.

    Consultez Fonctionnalités numériques de compartiment dans Neptune ML.

  • "datetime" : cet encodage de fonctionnalité représente une valeur de propriété datetime sous la forme d'un tableau de ces fonctionnalités catégorielles : année, mois, jour de la semaine et heure.

    Une ou plusieurs de ces quatre catégories peuvent être éliminées à l'aide du paramètre datetime_parts.

    Consultez Fonctionnalités datetime dans Neptune ML.

  • "text_fasttext" : cet encodage de fonctionnalité convertit les valeurs de propriété constituées de phrases ou de texte libre en vecteurs numériques à l'aide de modèles fastText. Il prend en charge cinq langues, à savoir l'anglais (en), le chinois (zh), l'hindi (hi), l'espagnol (es) et le français (fr). Pour les valeurs de propriété de texte dans l'une de ces cinq langues, text_fasttext est l'encodage recommandé. Toutefois, il ne peut pas traiter les cas où une même phrase contient des mots dans plusieurs langues.

    Pour les langues autres que celles prises en charge par fastText, utilisez l'encodage text_sbert.

    Si vous avez de nombreuses chaînes de texte de valeur de propriété de plus de 120 jetons, par exemple, utilisez le champ max_length pour limiter le nombre de jetons dans chaque chaîne encodée par "text_fasttext".

    Consultez Encodage fastText des valeurs de propriété de texte dans Neptune ML.

  • "text_sbert" : cet encodage convertit les valeurs de propriété de texte en vecteurs numériques à l'aide des modèles Sentence BERT (SBERT). Neptune prend en charge deux méthodes SBERT, à savoir text_sbert128, qui est la méthode par défaut si vous spécifiez simplement text_sbert, et text_sbert512. La différence entre les deux est le nombre maximal de jetons qui sont encodés dans une propriété de texte. L'encodage text_sbert128 encode uniquement les 128 premiers jetons, tandis que text_sbert512 encode jusqu'à 512 jetons. Par conséquent, l'utilisation de text_sbert512 peut nécessiter plus de temps de traitement que text_sbert128. Les deux méthodes sont plus lentes que text_fasttext.

    Les méthodes text_sbert* prennent en charge de nombreuses langues et peuvent encoder une phrase contenant plusieurs langues.

    Consultez Encodage Sentence BERT (SBERT) des fonctionnalités de texte dans Neptune ML.

  • "text_word2vec" : cet encodage convertit les valeurs de propriété de texte en vecteurs numériques à l'aide des algorithmes Word2Vec. Il prend en charge uniquement l'anglais.

    Consultez Encodage Word2Vec des fonctionnalités textuelles dans Neptune ML.

  • "text_tfidf" : cet encodage convertit les valeurs de propriété de texte en vecteurs numériques à l'aide d'un vectoriseur de fréquence de terme et de fréquence de document inverse (TF-IDF).

    Vous définissez les paramètres d'un encodage de fonctionnalité text_tfidf à l'aide du champ ngram_range, du champ min_df et du champ max_features.

    Consultez Encodage TF-IDF des fonctionnalités de texte dans Neptune ML.

  • "none" : l'utilisation du type none n'entraîne aucun encodage des fonctionnalités. Les valeurs de propriété brutes sont analysées et enregistrées à la place.

    Utilisez none uniquement si vous envisagez d'effectuer votre propre encodage de fonctionnalités personnalisé dans le cadre de l'entraînement de modèle personnalisé.

Champ norm

Ce champ est obligatoire pour les fonctionnalités numériques. Il spécifie une méthode de normalisation à utiliser sur les valeurs numériques :

"norm": "min-max"

Les méthodes de normalisation suivantes sont prises en charge :

  • « min-max » : normalisez chaque valeur en lui soustrayant la valeur minimale, puis en la divisant par la différence entre la valeur maximale et la valeur minimale.

  • « standard » : normalisez chaque valeur en la divisant par la somme de toutes les valeurs.

  • « aucune » : ne normalisez pas les valeurs numériques pendant l'encodage.

Consultez Fonctionnalités numériques dans Neptune ML.

Champ language

Le champ de langue indique la langue utilisée dans les valeurs des propriétés de texte. Son utilisation dépend de la méthode d'encodage de texte :

  • Pour l'encodage text_fasttext, ce champ est obligatoire et doit spécifier l'une des langues suivantes :

    • en   (anglais)

    • zh   (chinois)

    • hi   (hindi)

    • es   (espagnol)

    • fr   (français)

  • Pour l'encodage text_sbert, ce champ n'est pas utilisé, car l'encodage SBERT est multilingue.

  • Pour l'encodage text_word2vec, ce champ est facultatif, car text_word2vec prend en charge uniquement l'anglais. Le cas échéant, il doit spécifier le nom du modèle de langue anglaise :

    "language" : "en_core_web_lg"

  • Pour l'encodage text_tfidf, ce champ n'est pas utilisé.

Champ max_length

Le champ max_length est facultatif pour les fonctionnalités text_fasttext, où il indique le nombre maximal de jetons qui seront encodés dans une fonctionnalité de texte en entrée. Entrez du texte d'une longueur supérieure à celle de max_length qui est tronquée. Par exemple, définir max_length sur 128 indique que tous les jetons situés après le 128e dans une séquence de texte seront ignorés :

"max_length": 128

Champ separator

Ce champ est utilisé en option avec les fonctionnalités category, numerical et auto. Il spécifie un caractère qui peut être utilisé pour diviser une valeur de propriété en plusieurs valeurs catégorielles ou valeurs numériques :

"separator": ";"

Utilisez le champ separator seulement quand la propriété stocke plusieurs valeurs délimitées dans une seule chaîne, telle que "Actor;Director" ou "0.1;0.2".

Consultez Fonctionnalités catégorielles, Fonctionnalités numériques et Encodage automatique.

Champ range

Ce champ est obligatoire pour les fonctionnalités bucket_numerical. Il indique la plage de valeurs numériques qui doivent être divisées en compartiments, au format [lower-bound, upper-bound] :

"range" : [20, 100]

Si une valeur de propriété est inférieure à la limite inférieure, elle est affectée au premier compartiment, ou si elle est supérieure à la limite supérieure, elle est affectée au dernier compartiment.

Consultez Fonctionnalités numériques de compartiment dans Neptune ML.

Champ bucket_cnt

Ce champ est obligatoire pour les fonctionnalités bucket_numerical. Il spécifie le nombre de compartiments dans lesquels la plage numérique définie par le paramètre range doit être divisée :

"bucket_cnt": 10

Consultez Fonctionnalités numériques de compartiment dans Neptune ML.

Champ slide_window_size

Ce champ est utilisé en option avec les fonctionnalités bucket_numerical pour attribuer des valeurs à plusieurs compartiments :

"slide_window_size": 5

Le fonctionnement d'une fenêtre coulissante est le suivant : Neptune ML prend la taille de la fenêtre s et transforme chaque valeur numérique v d'une propriété en une plage allant de v - s/2 à v + s/2 . La valeur est ensuite attribuée à chaque compartiment que la plage chevauche.

Consultez Fonctionnalités numériques de compartiment dans Neptune ML.

Champ imputer

Ce champ est utilisé en option avec les fonctionnalités numerical et bucket_numerical pour fournir une technique d'imputation permettant de renseigner les valeurs manquantes :

"imputer": "mean"

Les techniques d'imputation prises en charge sont les suivantes :

  • "mean"

  • "median"

  • "most-frequent"

Si vous n'incluez pas le paramètre imputer, le prétraitement des données s'arrête lorsqu'une valeur manquante est détectée.

Consultez Fonctionnalités numériques dans Neptune ML et Fonctionnalités numériques de compartiment dans Neptune ML.

Champ max_features

Ce champ est utilisé en option par les fonctionnalités text_tfidf pour spécifier le nombre maximal de termes à encoder :

"max_features": 100

Avec un paramètre de 100, le vectoriseur TF-IDF encode uniquement les 100 termes les plus courants. Si vous n'incluez pas max_features, la valeur par défaut est 5 000.

Consultez Encodage TF-IDF des fonctionnalités de texte dans Neptune ML.

Champ min_df

Ce champ est utilisé en option par les fonctionnalités text_tfidf pour spécifier la fréquence minimale des documents des termes à encoder :

"min_df": 5

Un paramètre de 5 indique qu'un terme doit apparaître dans au moins 5 valeurs de propriété différentes pour être encodé.

La valeur par défaut si vous n'incluez pas le paramètre min_df est 2.

Consultez Encodage TF-IDF des fonctionnalités de texte dans Neptune ML.

Champ ngram_range

Ce champ est utilisé en option par les fonctionnalités text_tfidf pour spécifier la taille des séquences de mots ou de jetons à considérer comme des termes individuels potentiels à encoder :

"ngram_range": [2, 4]

La valeur [2, 4] indique que les séquences de 2, 3 et 4 mots doivent être considérées comme des termes individuels potentiels.

Si vous ne définissez pas explicitement ngram_range, la valeur par défaut est [1, 1], ce qui signifie que seuls des mots ou des jetons uniques sont considérés comme des termes à encoder.

Consultez Encodage TF-IDF des fonctionnalités de texte dans Neptune ML.

Champ datetime_parts

Ce champ est utilisé en option par les fonctionnalités datetime pour spécifier les parties de la valeur datetime à encoder de manière catégorielle : 

"datetime_parts": ["weekday", "hour"]

Si vous n'incluez pas datetime_parts, Neptune ML encode par défaut les parties année, mois, jour de la semaine et heure de la valeur datetime. La valeur ["weekday", "hour"] indique que seuls le jour de la semaine et l'heure des valeurs datetime doivent être encodés de manière catégorielle dans la fonctionnalité.

Si l'une des parties ne possède pas plus d'une valeur unique dans le jeu d'entraînement, elle n'est pas encodée.

Consultez Fonctionnalités datetime dans Neptune ML.