Валлиаппа Лакшманан , Сара Робинсон , Майкл Мунн - Машинное обучение. Паттерны проектирования

данных

taxi_df = pd.read_csv("taxi-train.csv")
#

Сконструировать признак,

евклидово расстояние

taxi_df['euclid_dist'] = taxi_df.apply(compute_dist, axis=l)
Мы можем добавлять сущности и признаки в набор признаков с помощью функции

. add ( ... ) . С другой стороны, метод . infer_ fields _ from_ df ( ... ) создаст сущности и
признаки для нашего экземпляра FeatureSet непосредственно из фрейма данных

pandas.
и

Мы просто указываем имя столбца, который представляет сущность. Схема

типы

данных

для

признаков

экземпляра

FeatureSet

позднее

вычисляются

из

фрейма данных:

pandas
taxi_fs.infer_fields_from_df(taxi_df,
entities=[Entity(name='taxi_id', dtype=ValueType.INT64)],
replace_existing_features=True)
#

Вычислить признаки из кадра данных

Регистрация экземпляра Featureset. После того как набор признаков будет соз­
дан,

мы

можем зарегистрировать его

в хранилище

Feast

с

помощью метода

cl ien t. appl у (taxi _ f s) . В целях подтверждения правильности регистрации набора
признаков или инспектирования содержимого еще одного набора признаков мы
можем извлечь его с помощью метода

. get_ feature _ set ( ... ) :

print (client .get_feature_set ( "taxi_rides"))
Приведенная выше инструкция возвращает объект
ных для набора признаков taxi _rides:

"spec": {
"name": "taxi _ rides",

"entities":
"name":

11

key",

"valueТype":

]

"INT64"

,

"features":
"name": "dropoff_lon",
"valueТype":

},

"DOUBLE"

JSON,

содержащий схему дан­

Паттерны обеспечения воспроизводимости

347

"name": "pickup_lon",
"valueТype":

"DOUBLE"

},

]

,

Внесение признаковых данных в экземпляр FeatureSet. Убедившись в правиль­
ности нашей схемы, мы можем направить признаковые данные кадра данных
в хранилище

Feast для

их приемки, используя метод

. ingest ( ... } .

Здесь мы укажем

экземпляр FeatureSet под названием taxi _ fs и кадр данных taxi _ df, из которого бу­
дут заполняться признаковые данные.

# Загрузить признаковые данные
client.ingest(taxi fs, taxi_df}

в

Feast

для этого конкретного набора признаков

На этом шаге приемки на экран выводится индикатор хода выполнения, показывая,
что мы внесли
ща

28 247

строк данных в набор признаков taxi_rides внутри хранили­

Feast:

100% ,• • • • 128247 /28247 [00: 02IC)

.,.,..,,(...,

egeney.eode..Fld8ral~

O

~,.c:odl_N8tion81Credit

о

Unюn ~(NCUA)

+

t~

·-·-

Colono

ь,1n•" ,.,. ~

е1

Рис.

7.13.

'.t>.ol

Редактор точек данных инструмента What-lf для двоичной классификационной модели .
Ось у- это результат предсказания модели для каждой точки данных
в диапазоне от О (отклонено) до

1

(одобрено)

32 На этом наборе данных можно было бы выnолн1пь еще м1ю1·0 других пр~дтренировочных оптимизаций.
Мы выбрали только одну ю них в качестве демонстрации того, что возможно.

Глава

400

7

Вкладка Performance & Fairness (Результативность и объективность) инструмента
What-lf позволяет оценивать объективность модели по разным срезам данных. Вы­
брав один из признаков модели для Slice Ьу (Нарезать по), мы можем сравнить
результаты работы модели для различных значений этого признака. На рис. 7.14
показано, что мы нарезали набор данных по признаку agency_ code _ HUD значению, указывающему на факт гарантирования заявки агентством
кредитов не под надзором

~

""'

--__

....."_,..""'
-----"~.... _"
,__ "_

HUD, 1 для

кредитов под надзором

булеву

HUD

(О для

HUD).

Custom thr~holds kx 2 va~s of agency_code_Depor~t of Нousrng and 1.kЬм ~ {HUD) 0

St3

-TIStмf ...110>

___.

."

,"

"

05

--"-~
PA-~OЬIJQ

6R

/

/

-12~

(З13J

u_n.

(3SJ 71 .7'.

(368)

(1tO}

/
l.Wyanopllmtlttlori•tr1t~
ktlкt•1IПICl!gylOM-ic:'8!fJ"'~llVeМolch,Ьasedon

ll\tмtQISlnltiohid.ta--~.-lly.ь..w,i~OI
c:Nl\orl!QCO.lnll10Wll-...,мrt11010·cuяom~

00

05

@) Cи"""\tlr»l1Q/dtQ
QS --">