Alegerea algoritmului

Feature Engineering cu PySpark

John Hogue

Lead Data Scientist, General Mills

Peisajul Spark ML

Diagramă ML

Feature Engineering cu PySpark

Peisajul Spark ML

Diagramă ML

Feature Engineering cu PySpark

Peisajul Spark ML

Diagramă ML

Feature Engineering cu PySpark

Peisajul Spark ML

Diagramă ML

Feature Engineering cu PySpark

Metode de regresie în PySpark

Metode în ml.regression:

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
Feature Engineering cu PySpark

Metode de regresie în PySpark

Metode în ml.regression:

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
Feature Engineering cu PySpark

Diagramă RFR

Feature Engineering cu PySpark

Împărțirea datelor în seturi de antrenare și testare pentru serii de timp

Feature Engineering cu PySpark

Împărțirea datelor în seturi de antrenare și testare pentru serii de timp

# 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 cu PySpark

Timp pentru practică!

Feature Engineering cu PySpark

Preparing Video For Download...