Teradata Package for Python Function Reference | 20.00 - NaiveBayesTextClassifierTrainer - Teradata Package for Python - Look here for syntax, methods and examples for the functions included in the Teradata Package for Python.

Teradata® Package for Python Function Reference - 20.00

Deployment
VantageCloud
VantageCore
Edition
Enterprise
IntelliFlex
VMware
Product
Teradata Package for Python
Release Number
20.00
Published
March 2024
Language
English (United States)
Last Update
2024-04-10
dita:id
TeradataPython_FxRef_Enterprise_2000
Product Category
Teradata Vantage
 
 
NaiveBayesTextClassifierTrainer

 
Functions
       
NaiveBayesTextClassifierTrainer(data=None, doc_category_column=None, token_column=None, doc_id_column=None, model_type='MULTINOMIAL', **generic_arguments)
DESCRIPTION:
    The NaiveBayesTextClassifierTrainer() function calculates the conditional probabilities for 
    token-category pairs, the prior probabilities, and the missing token probabilities for 
    all categories. The trainer function trains the model with the probability values, and 
    the predict function uses the values to classify documents into categories.
 
 
PARAMETERS:
    data:
        Required Argument.
        Specifies the input teradataml DataFrame.
        Types: teradataml DataFrame
    
    doc_category_column:
        Required Argument.
        Specifies the name of the input data column that contains the 
        document category.
        Types: str
    
    token_column:
        Required Argument.
        Specifies the name of the input data column that contains the tokens.
        Types: str
    
    doc_id_column:
        Optional Argument.
        Specifies the name of the input data column that contains the 
        document identifier.
        Types: str
    
    model_type:
        Optional Argument.
        Specifies the model type of the text classifier. 
        Default Value: "MULTINOMIAL"
        Permitted Values: MULTINOMIAL, BERNOULLI
        Types: str
    
    **generic_arguments:
        Specifies the generic keyword arguments SQLE functions accept. Below 
        are the generic keyword arguments:
            persist:
                Optional Argument.
                Specifies whether to persist the results of the 
                function in a table or not. When set to True, 
                results are persisted in a table; otherwise, 
                results are garbage collected at the end of the 
                session.
                Default Value: False
                Types: bool
            
            volatile:
                Optional Argument.
                Specifies whether to put the results of the 
                function in a volatile table or not. When set to 
                True, results are stored in a volatile table, 
                otherwise not.
                Default Value: False
                Types: bool
                
        Function allows the user to partition, hash, order or local 
        order the input data. These generic arguments are available 
        for each argument that accepts teradataml DataFrame as 
        input and can be accessed as:    
            * "<input_data_arg_name>_partition_column" accepts str or 
                list of str (Strings)
            * "<input_data_arg_name>_hash_column" accepts str or list 
                of str (Strings)
            * "<input_data_arg_name>_order_column" accepts str or list 
                of str (Strings)
            * "local_order_<input_data_arg_name>" accepts boolean
        Note:
            These generic arguments are supported by teradataml if 
            the underlying SQL Engine function supports, else an 
            exception is raised.
 
RETURNS:
    Instance of NaiveBayesTextClassifierTrainer.
    Output teradataml DataFrames can be accessed using attribute 
    references, such as 
    NaiveBayesTextClassifierTrainerObj.<attribute_name>.
    Output teradataml DataFrame attribute names are:
        1. result
        2. model_data
 
 
RAISES:
    TeradataMlException, TypeError, ValueError
 
 
EXAMPLES:
    # Notes:
    #     1. Get the connection to Vantage to execute the function.
    #     2. One must import the required functions mentioned in
    #        the example from teradataml.
    #     3. Function will raise error if not supported on the Vantage
    #        user is connected to.
    
    # Load the example data.
    load_example_data("textparser", ["complaints", "stop_words"])
    
    # Create teradataml DataFrame objects.
    complaints = DataFrame.from_table("complaints")
    stop_words = DataFrame.from_table("stop_words")
    
    # Check the list of available analytic functions.
    display_analytic_functions()
 
    # Tokenize the "text_column" and accumulate result by "doc_id" and "category".
    complaints_tokenized = TextParser(data=complaints,
                                      text_column="text_data",
                                      object=stop_words,
                                      remove_stopwords=True,
                                      accumulate=["doc_id", "category"])
    
    # Example 1 : Calculate the conditional probabilities for token-category pairs.
    NaiveBayesTextClassifierTrainer_out = NaiveBayesTextClassifierTrainer(data=complaints_tokenized.result,
                                                                          token_column="token",
                                                                          doc_category_column="category")
    
    # Print the result DataFrames.
    print(NaiveBayesTextClassifierTrainer_out.result)
    print(NaiveBayesTextClassifierTrainer_out.model_data)