本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

Neptune ML 中的特徵編碼

屬性值有不同的格式和資料類型。若要在機器學習中實現良好的效能，必須將這些值轉換為稱為特徵的數值編碼。

Neptune ML 會使用這裡描述的特徵編碼技術，執行特徵擷取和編碼，做為資料匯出和資料處理步驟的一部分。

Neptune ML 中的類別特徵

可以從可能值的固定清單中獲得一個或多個不同值的屬性，就是類別特徵。在 Neptune ML 中，類別特徵會使用獨熱編碼進行編碼。以下範例顯示了不同食物的屬性名稱如何根據其類別進行獨熱編碼：

    Food        Veg.   Meat   Fruit    Encoding
   ---------    ----   ----   -----    --------
    Apple         0      0      1         001
    Chicken       0      1      0         010
    Broccoli      1      0      0         100

Neptune ML 中的數值特徵

其值為實數的任何屬性都可以編碼為 Neptune ML 中的數值特徵。數值特徵會使用浮點數進行編碼。

您可以指定要在編碼數值特徵時使用的資料標準化方法，如下所示："norm": "normalization technique"。支援以下標準化技術：

Neptune ML 中的儲存貯體數值特徵

您可以將數值壓縮為類別，而不是使用原始數字表示數值屬性。例如，您可以將人們的年齡分成兒童 (0-20 歲)、年輕人 (20-40 歲)、中年人 (40-60 歲) 和老年人 (從 60 歲開始)。使用這些數值儲存貯體，您可以將數值屬性轉換為一種類別特徵。

在 Neptune ML 中，您可能會導致數值屬性編碼為儲存貯體數值特徵。您必須提供兩個項目：

然後，Neptune ML 會將每個儲存貯體的大小計算為  ( b - a ) / c ，並將每個數值編碼為其落入的任何儲存貯體的數目。任何小於 a 的值都會被視為屬於第一個儲存貯體，而任何大於 b 的值都會被視為屬於最後一個儲存貯體。

您也可以選擇性地使數值落入多個儲存貯體，方法是指定滑動視窗大小，如下所示： "slide_window_size": s ，其中 s 是一個數字。Neptune ML 接著會將屬性的每個數值 v 轉換為從 v - s/2 到 v + s/2 的範圍，並將值 v 指派給範圍涵蓋的每個儲存貯體。

最後，您還可以選擇性地提供一種為數值特徵和儲存貯體數值特徵填入缺失值的方法。您可以使用 "imputer": "imputation technique " 執行此操作，其中插補技術是 "mean"、"median" 或 "most-frequent" 之一。如果您未指定 imputer，缺失值可能會導致處理停止。

Neptune ML 中的文字特徵編碼

對於自由格式的文字，Neptune ML 可以使用數個不同的模型，將屬性值字串中的記號序列轉換為固定大小的實數值向量：

Neptune ML 中文字屬性值的 fastText 編碼

Neptune ML 可以使用 fastText 模型，將文字屬性值轉換為固定大小的實數值向量。對於 FastText 支援的五種語言中任何一種語言中的文字屬性值，這是建議的編碼方法：

請注意，fastText 無法處理包含多種語言單字的句子。

text_fasttext 方法可以選擇性地採取 max_length 欄位，指定將編碼之文字屬性值中的記號數上限，之後字串會遭截斷。當文字屬性值包含長字串時，這可以改善效能，因為如果未指定 max_length，fastText 會編碼所有記號，而不論字串長度為何。

這個範例指定法文電影標題使用 fastText 進貐編碼：

{
    "file_name" : "nodes/movie.csv",
    "separator" : ",",
    "node" : ["~id", "movie"],
    "features" : [
      {
        "feature": ["title", "title", "text_fasttext"],
        "language": "fr",
        "max_length": 1024
      }
    ]
  }

Neptune ML 中文字特徵的句子 BERT (SBERT) 編碼

Neptune ML 可以使用句子 BERT (SBERT) 模型，將字串屬性值中的記號序列轉換為固定大小的實數值向量。Neptune 支援兩種 SBERT 方法：text_sbert128，這是預設值，如果您僅指定 text_sbert 和 text_sbert512 的話。兩者之間的差異是編碼的文字屬性值字串的長度上限。text_sbert128 編碼會在編碼 128 個記號之後截斷文字字串，而 text_sbert512 會在編碼 512 個記號之後截斷文字字串。因此，text_sbert512 可能比 text_sbert128 需要更多的處理時間。這兩種方法都比 text_fasttext 慢。

SBERT 編碼是多語系，因此無需為您正要編碼的屬性值文字指定語言。SBERT 方法支援多種語言，而且可以編碼包含多種語言的句子。如果您要編碼的屬性值包含以 FastText 不支援的語言撰寫的文字，則 SBERT 是建議的編碼方法。

下列範例會指定影片標題編碼為 SBERT，最多可有 128 個記號：

{
    "file_name" : "nodes/movie.csv",
    "separator" : ",",
    "node" : ["~id", "movie"],
    "features" : [
      { "feature": ["title", "title", "text_sbert128"] }
    ]
  }

Neptune ML 中文字特徵的 Word2Vec 編碼

Neptune ML 可以將字串屬性值編碼為 Word2Vec 特徵 (Word2Vec 演算法最初是由 Google 發布)。text_word2vec 方法會使用其中一個 spaCy 訓練模型，將字串中的記號編碼為密集向量。這只支援使用 en_core_web_lg 模型的英文。

下列範例會指定影片標題使用 Word2VEC 進行編碼：

{
    "file_name" : "nodes/movie.csv",
    "separator" : ",",
    "node" : ["~id", "movie"],
    "features" : [
      {
        "feature": ["title", "title", "text_word2vec"],
        "language": "en_core_web_lg"
      }
    ]
  }

請注意，語言欄位是選用的，因為英文 en_core_web_lg 模型是 Neptune 支援的唯一模型。

Neptune ML 中文字特徵的 TF-IDF 編碼

Neptune ML 可以將文字屬性值編碼為 text_tfidf 特徵。這種編碼會使用詞頻-逆向文件頻率 (TF-IDF) 向量化程式，接著進行維數縮減操作，將文字中的單字序列轉換為數值向量。

TF-IDF (詞頻 - 逆向文件頻率) 是旨在測量單字在文件集中有多重要的數值。它的計算方法是將單字在給定屬性值中出現的次數，除以其出現所在的此類屬性值的總數。

例如，如果在給定電影標題中出現兩次「kiss」一字 (例如，「kiss kiss bang bang」)，並且「kiss」出現在所有 4 部電影的標題中，則「kiss kiss bang bang」標題中「kiss」的 TF-IDF 值將是 2 / 4 。

最初建立的向量具有 d 維度，其中 d 是該類型之所有屬性值中獨特字詞的數目。維數縮減操作會使用隨機稀疏投影，將該數目減少至上限 (100)。然後，透過合併其中的所有 text_tfidf 特徵來產生圖形的詞彙。

您可以透過多種方式控制 TF-IDF 向量化程式：

Neptune ML 中的日期時間特徵

Neptune ML 可以將 datetime 屬性值的一部分編碼為類別特徵，方法是將它們轉換為獨熱陣列。使用 datetime_parts 參數指定下列一或多個要編碼 ["year", "month", "weekday", "hour"] 的部分：如果未設定 datetime_parts，預設為編碼所有四個部分。

例如，如果日期時間值的範圍橫越 2010 到 2012 年，則日期時間項目 2011-04-22 01:16:34 的四個部分如下：

幾月幾日、分鐘和秒不會進行類別編碼。

如果有問題的總計 datetime 範圍僅包含一年內的日期，則不會編碼任何 year 陣列。

您可以使用 imputer 參數和可用於數值特徵的其中一個策略，來指定插補策略以填入缺失的 datetime 值。

Neptune ML 中的自動特徵編碼

您可以將 auto 設定為特徵編碼方法，而不是手動指定要用於圖形中屬性的特徵編碼方法。Neptune ML 接著會嘗試根據其基礎資料類型推斷每個屬性的最佳特徵編碼。

以下是 Neptune ML 在選取適當特徵編碼時使用的一些啟發式法：