选择算法

使用 PySpark 进行特征工程

John Hogue

Lead Data Scientist, General Mills

Spark ML 概览

机器学习流程图

使用 PySpark 进行特征工程

Spark ML 概览

机器学习流程图

使用 PySpark 进行特征工程

Spark ML 概览

机器学习流程图

使用 PySpark 进行特征工程

Spark ML 概览

机器学习流程图

使用 PySpark 进行特征工程

PySpark 回归方法

ml.regression 中的方法:

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
使用 PySpark 进行特征工程

PySpark 回归方法

ml.regression 中的方法:

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
使用 PySpark 进行特征工程

RFR 图示

使用 PySpark 进行特征工程

时间序列的训练/测试划分

使用 PySpark 进行特征工程

时间序列的训练/测试划分

# 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)
使用 PySpark 进行特征工程

Vamos praticar!

使用 PySpark 进行特征工程

Preparing Video For Download...