Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅中国的 Amazon Web Services 服务入门。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

Neptune ML 中的功能编码

属性值有不同的格式和数据类型。为了在机器学习中实现良好的性能，必须将这些值转换为称为数字编码功能.

作为数据导出和数据处理步骤的一部分，Neptune ML 使用此处介绍的特征编码技术执行特征提取和编码。

Neptune ML 中的分类功能

可以从固定的可能值列表中获取一个或多个不同值的属性是一种分类功能。在 Neptune ML 中，分类要素是使用一热编码. 以下示例显示了不同食物的属性名称如何根据其类别进行单热编码：

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

Neptune ML 中的数字特征

任何值为实数的属性都可以在 Neptune ML 中编码为数字要素。数值要素使用浮点数编码。

您可以指定在编码数字要素时使用的数据规范化方法，如下所示："norm": "normalization technique". 支持以下标准化技术：

Neptune ML 中的存储桶数值功能

您可以将数值压缩为类别，而不是使用原始数字表示数字属性。例如，您可以将人们的年龄划分为类别，例如孩子（0-20 岁）、年轻人（20-40 岁）、中年人（40-60 岁）和长者（60 岁起）。使用这些数字存储桶，您将把数字属性转换为一种类别功能。

在 Neptune ML 中，您可以将数字属性编码为存储桶数值功能，必须提供两件事：

然后，Neptune ML 计算每个存储桶的大小为 ( b - a ) / c ，并将每个数字值编码为它所属的任何存储桶的数量。任何小于的价值a被视为属于第一个存储桶中，且任何大于的值b被认为属于最后一个存储桶。

您还可以选择通过指定幻灯片窗口大小，使数值落入多个存储桶中，如下所示： "slide_window_size": s ，其中，s是数字。然后，Neptune ML 转换每个数值v属性的范围从 v - s/2 通过 v + s/2 ，然后分配值v到该范围涵盖的每个存储桶。

最后，您还可以选择提供一种填写数字要素和存储桶数值要素缺失值的方法。你可以使用此操作 "imputer": "imputation technique "，归因技术是其中之一"mean"、"median"，或者"most-frequent". 如果您没有指定计算机，则缺失值可能会导致处理中断。

Neptune ML 中的文本要素编码

对于自由格式文本，Neptune ML 可以使用几种不同的模型将属性值字符串中的令牌序列转换为固定大小的实值矢量：

fastText在 Neptune ML 中编码文本属性值

Neptune ML 可以使用fastText将文本属性值转换为固定大小的实值矢量的模型。这是对 fastText 支持的五种语言中任何一种的文本属性值的推荐编码方法：

请注意，fastText 无法处理包含多种语言单词的句子。

这些区域有：text_fasttext方法可以选择采取max_length字段，该字段指定将编码的 text 属性值中的最大标记数，之后字符串将被截断。当 text 属性值包含长字符串时，这可以提高性能，因为max_length未指定，fastText 会对所有令牌进行编码，而不管字符串长度如何。

此示例指定法语电影标题是使用 fastText 编码的：

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

Neptune ML 中文本要素的句子 BERT (SBERT) 编码

Neptune ML 可以使用以下方法将字符串属性值中的令牌序列转换为固定大小的实值矢量句子 BERT（SBERT）模型。Neptune 支持两种 SBERT 方法：text_sbert128如果您只指定，则默认设为默认设值text_sbert, 和text_sbert512. 两者之间的区别在于编码的 text 属性值字符串的最大长度。这些区域有：text_sbert128编码在对 128 个令牌进行编码后截断文本字符串，而text_sbert512在编码 512 个令牌后截断文本字符串。因此，text_sbert512需要的处理时间长于text_sbert128. 两种方法都比慢text_fasttext.

SBERT 编码是多语言的，因此无需为正在编码的属性值文本指定语言。SBERT 支持多种语言，并且可以对包含多种语言的句子进行编码。如果要对包含 fastText 不支持的一种或多种语言的文本的属性值进行编码，则推荐使用 SBERT 编码方法。

以下示例指定电影标题编码为 SBERT，最多 128 个令牌：

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

Neptune ML 中文本要素的 Word2VEC 编码

Neptune ML 可以将字符串属性值编码为 Word2VEC 功能（Word2Vc 算法最初是由谷歌)。这些区域有：text_word2vec方法使用其中一个将字符串中的标记编码为密集向量SPacy 训练模型. 这只支持使用en_core_web_lg模型)。

以下示例指定电影标题使用 Word2Vec 进行编码：

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

请注意，语言字段是可选的，因为英语en_core_web_lg模型是 Neptune 唯一支持的模型。

Neptune ML 中的文本要素的 TF-IDF 编码

Neptune ML 可以将文本属性值编码为text_tfidf功能。此编码将文本中的单词序列转换为数字矢量，使用术语频率 — 反向文档频率(TF-IDF) 矢量器，然后是减少维度操作。

TF-IDF（术语频率 — 反向文档频率）是一个数值，用于衡量单词在文档集中的重要性。它的计算方法是将单词出现在给定属性值中的次数除以其中显示的此类属性值的总数。

例如，如果在给定的电影标题中出现两次 “吻” 一词（比如 “亲吻砰砰”），并且 “吻” 一共出现在 4 部电影的标题中，那么 “亲吻砰砰” 标题中的 TF-IDF 值 “吻” 将是 2 / 4 .

最初创建的矢量有d维度，d是该类型的所有属性值中唯一术语的数量。维度减小操作使用随机稀疏投影将该数字减少到最多 100。然后通过合并所有text_tfidf其中的功能。

您可以通过以下几种方式控制 TF-IDF 矢量器：

Neptune ML 中的日期时间功能

Neptune ML 可以转换部分datetime通过将属性值编码为一热阵列. 使用datetime_parts参数指定以下一个或多个要编码的部分：["year", "month", "weekday", "hour"]. 如果你没设置datetime_parts，默认情况下，所有四个部分都已编码。

例如，如果日期时间值的范围跨越 2010 年至 2012 年，则日期时间条目的四个部分2011-04-22 01:16:34如下所示：

月中的第一天、分钟和秒没有完全编码。

如果总计datetime有问题的范围只包括一年内的日期，不year数组已编码。

你可以指定估算策略来填补缺失datetime值，使用imputer参数以及可用于数值要素的策略之一。

Neptune ML 中的自动功能编码

您可以设置，而不是手动指定要用于图表中的属性的要素编码方法auto作为一种功能编码方法。然后，Neptune ML 尝试根据每个属性的底层数据类型推断出最佳的要素编码。

以下是 Neptune ML 在选择适当的功能编码时使用的一些启发式方法：