如何解决是否可以仅针对测试数据计算特征矩阵?
我有超过 100,000 行带有时间戳的训练数据,我想为新的测试数据计算一个特征矩阵,其中只有 10 行。测试数据中的一些特征最终会聚合一些训练数据。我需要快速实现,因为这是实时推理管道中的一个步骤。
我可以想到两种实现方式:
-
连接训练和测试实体集并运行 DFS,然后仅使用最后 10 行并丢弃其余行。这是非常耗时的。有没有办法在使用整个实体集的数据的同时计算实体集的子集?
-
使用 Featuretools 部署页面的 Calculating Feature Matrix for New Data 部分中概述的步骤。但是,如下所示,这似乎不起作用。
创建所有/训练/测试实体集:
import featuretools as ft
data = ft.demo.load_mock_customer(n_customers=3,n_sessions=15)
df_sessions = data['sessions']
# Create all/train/test entity sets.
all_es = ft.EntitySet(id='sessions')
train_es = ft.EntitySet(id='sessions')
test_es = ft.EntitySet(id='sessions')
all_es = all_es.entity_from_dataframe(
entity_id='sessions',dataframe=df_sessions,# all sessions
index='session_id',time_index='session_start',)
train_es = train_es.entity_from_dataframe(
entity_id='sessions',dataframe=df_sessions.iloc[:10],# first 10 sessions
index='session_id',)
test_es = test_es.entity_from_dataframe(
entity_id='sessions',dataframe=df_sessions.iloc[10:],# last 5 sessions
index='session_id',)
# normalise customer entities so we can group by customers.
all_es = all_es.normalize_entity(base_entity_id='sessions',new_entity_id='customers',index='customer_id')
train_es = train_es.normalize_entity(base_entity_id='sessions',index='customer_id')
test_es = test_es.normalize_entity(base_entity_id='sessions',index='customer_id')
设置 cutoff_time
,因为我们正在处理带有时间戳的数据:
cutoff_time = (df_sessions
.filter(['session_id','session_start'])
.rename(columns={'session_id': 'instance_id','session_start': 'time'}))
计算所有数据的特征矩阵:
feature_matrix,features_defs = ft.dfs(entityset=all_es,cutoff_time=cutoff_time,target_entity='sessions')
display(feature_matrix.filter(['customer_id','customers.COUNT(sessions)']))
session_id | customer_id | customers.COUNT(sessions) |
---|---|---|
1 | 3 | 1 |
2 | 3 | 2 |
3 | 1 | 1 |
4 | 2 | 1 |
5 | 2 | 2 |
6 | 2 | 3 |
7 | 2 | 4 |
8 | 1 | 2 |
9 | 2 | 5 |
10 | 1 | 3 |
11 | 1 | 4 |
12 | 2 | 6 |
13 | 3 | 3 |
14 | 1 | 5 |
15 | 3 | 4 |
计算训练数据的特征矩阵:
feature_matrix,features_defs = ft.dfs(entityset=train_es,cutoff_time=cutoff_time.iloc[:10],target_entity='sessions')
display(feature_matrix.filter(['customer_id','customers.COUNT(sessions)']))
session_id | customer_id | customers.COUNT(sessions) |
---|---|---|
1 | 3 | 1 |
2 | 3 | 2 |
3 | 1 | 1 |
4 | 2 | 1 |
5 | 2 | 2 |
6 | 2 | 3 |
7 | 2 | 4 |
8 | 1 | 2 |
9 | 2 | 5 |
10 | 1 | 3 |
计算测试数据的特征矩阵(使用 Featuretools 部署页面上“新数据的特征矩阵”中所示的方法):
feature_matrix = ft.calculate_feature_matrix(features=features_defs,entityset=test_es,cutoff_time=cutoff_time.iloc[10:])
display(feature_matrix.filter(['customer_id','customers.COUNT(sessions)']))
session_id | customer_id | customers.COUNT(sessions) |
---|---|---|
11 | 1 | 1 |
12 | 2 | 1 |
13 | 3 | 1 |
14 | 1 | 2 |
15 | 3 | 2 |
如您所见,从 train_es
生成的特征矩阵与从 all_es
生成的特征矩阵的前 10 行相匹配。但是,从 test_es
生成的特征矩阵与从 all_es
生成的特征矩阵中的相应行不匹配。
解决方法
您可以使用 cutoff_time
数据帧(或 DFS 中的 instance_ids
参数,如果截止时间是单个日期时间)控制要为其生成特征的实例。 Featuretools 只会为其 ID 在截止时间数据帧中的实例生成特征,而将忽略所有其他实例:
feature_matrix,features_defs = ft.dfs(entityset=all_es,cutoff_time=cutoff_time[10:],target_entity='sessions')
display(feature_matrix.filter(['customer_id','customers.COUNT(sessions)']))
customer_id | customers.COUNT(sessions) | session_id |
---|---|---|
1 | 4 | |
2 | 6 | |
3 | 3 | |
1 | 5 | |
3 | 4 |
“新数据的特征矩阵”中的方法在您想要计算相同特征但基于全新数据时非常有用。将创建所有相同的功能,但不会在实体集之间共享数据。这在这种情况下不起作用,因为目标是使用所有数据但只为某些实例生成特征。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。