Regroupement en « buckets » et ingénierie

Machine Learning avec PySpark

Andrew Collier

Data Scientist, Fathom Data

Regroupement en « buckets »

Regrouper des observations continues en « buckets »

Machine Learning avec PySpark

Regrouper les tailles en « buckets »

Un histogramme des tailles

+------+
|height|
+------+
|  1.42|
|  1.45|
|  1.47|
|  1.50|
|  1.52|
|  1.57|
|  1.60|
|  1.75|
|  1.85|
|  1.88|
+------+
Machine Learning avec PySpark

Regrouper les tailles en « buckets »

Un histogramme des tailles avec des intervalles

+------+
|height|
+------+
|  1.42|
|  1.45|
|  1.47|
|  1.50|
|  1.52|
|  1.57|
|  1.60|
|  1.75|
|  1.85|
|  1.88|
+------+
Machine Learning avec PySpark

Regrouper les tailles en « buckets »

Un histogramme des tailles avec des intervalles et des étiquettes

+------+
|height|
+------+
|  1.42|
|  1.45|
|  1.47|
|  1.50|
|  1.52|
|  1.57|
|  1.60|
|  1.75|
|  1.85|
|  1.88|
+------+
Machine Learning avec PySpark

Regrouper les tailles en « buckets »

Un histogramme des tailles avec des intervalles et des étiquettes

+------+----------+
|height|height_bin|
+------+----------+
|  1.42|     short|
|  1.45|     short|
|  1.47|     short|
|  1.50|     short|
|  1.52|   average|
|  1.57|   average|
|  1.60|   average|
|  1.75|   average|
|  1.85|      tall|
|  1.88|      tall|
+------+----------+
Machine Learning avec PySpark

Histogramme des RPM

Le régime moteur (RPM) a des coupures « naturelles » :

  • $\text{RPM} < 4500$ — bas
  • $\text{RPM} > 6000$ — élevé
  • sinon — moyen.

Un histogramme des RPM avec des intervalles et des étiquettes

Machine Learning avec PySpark

« Buckets » de RPM

from pyspark.ml.feature import Bucketizer

bucketizer = Bucketizer(splits=[3500, 4500, 6000, 6500],
                        inputCol="rpm",
                        outputCol="rpm_bin")

Appliquer les « buckets » à la colonne rpm.

bucketed = bucketizer.transform(cars)
Machine Learning avec PySpark

« Buckets » de RPM

bucketed.select('rpm', 'rpm_bin').show(5)

+----+-------+
| rpm|rpm_bin|
+----+-------+
|3800|    0.0|
|4500|    1.0|
|5750|    1.0|
|5300|    1.0|
|6200|    2.0|
+----+-------+

bucketed.groupBy('rpm_bin').count().show()

+-------+-----+
|rpm_bin|count|
+-------+-----+
|    0.0|    8| <- bas
|    1.0|   67| <- moyen
|    2.0|   17| <- élevé
+-------+-----+
Machine Learning avec PySpark

« Buckets » de RPM encodés one-hot

Les « buckets » de RPM sont encodés en variables fictives (one-hot).

+-------+-------------+
|rpm_bin|    rpm_dummy|
+-------+-------------+
|    0.0|(2,[0],[1.0])| <- bas
|    1.0|(2,[1],[1.0])| <- moyen
|    2.0|    (2,[],[])| <- élevé
+-------+-------------+

Le « bucket » RPM « élevé » sert de niveau de référence et n'a pas de variable fictive.

Machine Learning avec PySpark

Modèle avec RPM en « buckets »

regression.coefficients

DenseVector([1.3814, 0.1433])

+-------+-------------+
|rpm_bin|    rpm_dummy|
+-------+-------------+
|    0.0|(2,[0],[1.0])| <- bas
|    1.0|(2,[1],[1.0])| <- moyen
|    2.0|    (2,[],[])| <- élevé
+-------+-------------+

regression.intercept

8.1835

Consommation pour RPM « bas » :

8.1835 + 1.3814 = 9.5649

Consommation pour RPM « moyen » :

8.1835 + 0.1433 = 8.3268
Machine Learning avec PySpark

Plus d'ingénierie de caractéristiques

Opérations sur une colonne :

  • log()
  • sqrt()
  • pow()

Opérations sur deux colonnes :

  • produit
  • ratio.
Machine Learning avec PySpark

Masse et taille vers l'IMC

Un histogramme des tailles

Un histogramme des masses

Machine Learning avec PySpark

Masse et taille vers l'IMC

Un histogramme de l'IMC

+------+-----+----+
|height| mass| bmi|    bmi = mass / height^2
+------+-----+----+
|  1.52| 77.1|33.2|
|  1.60| 58.1|22.7|
|  1.57|122.0|49.4|
|  1.75| 95.3|31.0|
|  1.80| 99.8|30.7|
|  1.65| 90.7|33.3|
|  1.60| 70.3|27.5|
|  1.78| 81.6|25.8|
|  1.65| 77.1|28.3|
|  1.78|128.0|40.5|
+------+-----+----+
Machine Learning avec PySpark

Ingénierie de la densité

cars = cars.withColumn('density_line', cars.mass / cars.length)       # Linear density
cars = cars.withColumn('density_quad', cars.mass / cars.length**2)    # Area density
cars = cars.withColumn('density_cube', cars.mass / cars.length**3)    # Volume density

+------+------+------------+------------+------------+
|  mass|length|density_line|density_quad|density_cube|
+------+------+------------+------------+------------+
|1451.0| 4.775|303.87434554|63.638606397|13.327456837|
|1129.0| 4.623|244.21371403|52.825808790|11.426737787|
|1399.0| 4.547|307.67539036|67.665579583|14.881367843|
+------+------+------------+------------+------------+
Machine Learning avec PySpark

Créons des caractéristiques !

Machine Learning avec PySpark

Preparing Video For Download...