Choisir l'algorithme

Ingénierie des caractéristiques avec PySpark

John Hogue

Lead Data Scientist, General Mills

Panorama de Spark ML

Organigramme ML

Ingénierie des caractéristiques avec PySpark

Panorama de Spark ML

Organigramme ML

Ingénierie des caractéristiques avec PySpark

Panorama de Spark ML

Organigramme ML

Ingénierie des caractéristiques avec PySpark

Panorama de Spark ML

Organigramme ML

Ingénierie des caractéristiques avec PySpark

Méthodes de régression PySpark

Méthodes dans ml.regression :

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
Ingénierie des caractéristiques avec PySpark

Méthodes de régression PySpark

Méthodes dans ml.regression :

  • GeneralizedLinearRegression
  • IsotonicRegression
  • LinearRegression

 

  • DecisionTreeRegression
  • GBTRegression
  • RandomForestRegression
Ingénierie des caractéristiques avec PySpark

Schéma RFR

Ingénierie des caractéristiques avec PySpark

Découpage entraînement/test pour les séries chronologiques

Ingénierie des caractéristiques avec PySpark

Découpage entraînement/test pour les séries chronologiques

# 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)
Ingénierie des caractéristiques avec PySpark

Passons à la pratique !

Ingénierie des caractéristiques avec PySpark

Preparing Video For Download...