Výběr algoritmu

Feature Engineering with PySpark

John Hogue

Lead Data Scientist, General Mills

Přehled Spark ML

Vývojový diagram ML

Feature Engineering with PySpark

Přehled Spark ML

Vývojový diagram ML

Feature Engineering with PySpark

Přehled Spark ML

Vývojový diagram ML

Feature Engineering with PySpark

Přehled Spark ML

Vývojový diagram ML

Feature Engineering with PySpark

Regresní metody v PySparku

Metody v ml.regression:

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
Feature Engineering with PySpark

Regresní metody v PySparku

Metody v ml.regression:

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
Feature Engineering with PySpark

Diagram RFR

Feature Engineering with PySpark

Rozdělení dat pro časové řady

Feature Engineering with PySpark

Rozdělení dat pro časové řady

# Create variables for max and min dates in our dataset
max_date = df.agg({'OFFMKTDATE': 'max'}).collect()[0][0]
min_date = df.agg({'OFFMKTDATE': 'min'}).collect()[0][0]
# Find how many days our data spans
from pyspark.sql.functions import datediff
range_in_days = datediff(max_date, min_date)
# Find the date to split the dataset on
from pyspark.sql.functions import date_add
split_in_days = round(range_in_days * 0.8)
split_date = date_add(min_date, split_in_days)
# Split the data into 80% train, 20% test
train_df = df.where(df['OFFMKTDATE'] < split_date) 
test_df = df.where(df['OFFMKTDATE'] >= split_date)\
  .where(df['LISTDATE'] >= split_date)
Feature Engineering with PySpark

Čas na procvičení!

Feature Engineering with PySpark

Preparing Video For Download...