Vorbereitung für Random-Forest-Regression

Feature Engineering mit PySpark

John Hogue

Lead Data Scientist, General Mills

Erforderliche Annahmen für Features

Random-Forest-Regression

Schiefe/nicht-normalverteilte Daten? OK
Nicht skaliert? OK
Fehlende Werte? OK
Kategorische Daten? OK

Annahmen

Ergänzte Features

Wirtschaftlich

30-jährige Hypothekenzinsen

Regierung

Medianpreis für Häuser in der Stadt
Hausalter-Anteile in der Stadt
Hausgrößen-Anteile in der Stadt

Sozial

Walk Score
Bike Score

Saisonal

Bankfeiertage

Feature Engineering

Zeitliche Features

Begrenzter Nutzen bei einem Jahr Daten
Feiertagswochen

Quoten, Verhältnisse, Summen

Business-Kontext
Persönlicher Kontext

Erweiterte Features

Nicht-freiformige Textspalten
Wenige Beobachtungen entfernen

# What is shape of our data?
print((df.count(), len(df.columns)))

(5000, 126)

DataFrame-Spalten zu Feature-Vektoren

from pyspark.ml.feature import VectorAssembler

# Replace Missing values
df = df.fillna(-1)

# Define the columns to be converted to vectors
features_cols = list(df.columns)

# Remove the dependent variable from the list
features_cols.remove('SALESCLOSEPRICE')

DataFrame-Spalten zu Feature-Vektoren

# Create the vector assembler transformer
vec = VectorAssembler(inputCols=features_cols, outputCol='features')

# Apply the vector transformer to data
df = vec.transform(df)

# Select only the feature vectors and the dependent variable
ml_ready_df = df.select(['SALESCLOSEPRICE', 'features'])

# Inspect Results
ml_ready_df.show(5)

+----------------+--------------------+
| SALESCLOSEPRICE|            features|
+----------------+--------------------+
|143000          |(125,[0,1,2,3,5,6...|
|190000          |(125,[0,1,2,3,5,6...|
|225000          |(125,[0,1,2,3,5,6...|
|265000          |(125,[0,1,2,3,4,5...|
|249900          |(125,[0,1,2,3,4,5...|
+----------------+--------------------+
only showing top 5 rows

Jetzt sind wir bereit für Machine Learning!

Feature Engineering mit PySpark