การ Bucketing และ Feature Engineering

Machine Learning with PySpark

Andrew Collier

Data Scientist, Fathom Data

Bucketing

การจัดกลุ่มข้อมูลต่อเนื่องลงใน bucket

การ Bucketing ความสูง

ฮิสโตแกรมของความสูง

+------+
|height|
+------+
|  1.42|
|  1.45|
|  1.47|
|  1.50|
|  1.52|
|  1.57|
|  1.60|
|  1.75|
|  1.85|
|  1.88|
+------+

การ Bucketing ความสูง

ฮิสโตแกรมของความสูงพร้อมช่วงค่า

+------+
|height|
+------+
|  1.42|
|  1.45|
|  1.47|
|  1.50|
|  1.52|
|  1.57|
|  1.60|
|  1.75|
|  1.85|
|  1.88|
+------+

การ Bucketing ความสูง

ฮิสโตแกรมของความสูงพร้อมช่วงค่าและป้ายกำกับ

+------+
|height|
+------+
|  1.42|
|  1.45|
|  1.47|
|  1.50|
|  1.52|
|  1.57|
|  1.60|
|  1.75|
|  1.85|
|  1.88|
+------+

การ Bucketing ความสูง

ฮิสโตแกรมของความสูงพร้อมช่วงค่าและป้ายกำกับ

+------+----------+
|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|
+------+----------+

ฮิสโตแกรม RPM

RPM ของรถมีจุดแบ่ง "ตามธรรมชาติ":

$\text{RPM} < 4500$ — ต่ำ
$\text{RPM} > 6000$ — สูง
นอกเหนือจากนั้น — ปานกลาง

ฮิสโตแกรม RPM พร้อมช่วงค่าและป้ายกำกับ

RPM Buckets

from pyspark.ml.feature import Bucketizer

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

นำ bucket ไปใช้กับคอลัมน์ rpm

bucketed = bucketizer.transform(cars)

RPM Buckets

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| <- low
|    1.0|   67| <- medium
|    2.0|   17| <- high
+-------+-----+

RPM Buckets แบบ One-Hot Encoded

RPM bucket ถูก one-hot encode เป็น dummy variable

+-------+-------------+
|rpm_bin|    rpm_dummy|
+-------+-------------+
|    0.0|(2,[0],[1.0])| <- low
|    1.0|(2,[1],[1.0])| <- medium
|    2.0|    (2,[],[])| <- high
+-------+-------------+

Bucket RPM ระดับ 'high' เป็น reference level จึงไม่มี dummy variable

โมเดลที่ใช้ RPM แบบ Bucketed

regression.coefficients

DenseVector([1.3814, 0.1433])

+-------+-------------+
|rpm_bin|    rpm_dummy|
+-------+-------------+
|    0.0|(2,[0],[1.0])| <- low
|    1.0|(2,[1],[1.0])| <- medium
|    2.0|    (2,[],[])| <- high
+-------+-------------+

regression.intercept

8.1835

การบริโภคสำหรับ RPM ระดับ 'low':

8.1835 + 1.3814 = 9.5649

การบริโภคสำหรับ RPM ระดับ 'medium':

8.1835 + 0.1433 = 8.3268

Feature Engineering เพิ่มเติม

การดำเนินการบนคอลัมน์เดียว:

log()
sqrt()
pow()

การดำเนินการบนสองคอลัมน์:

ผลคูณ
อัตราส่วน

น้ำหนักและความสูงสู่ BMI

ฮิสโตแกรมของความสูง

ฮิสโตแกรมของน้ำหนัก

น้ำหนักและความสูงสู่ BMI

ฮิสโตแกรมของ BMI

+------+-----+----+
|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|
+------+-----+----+

Engineering ค่าความหนาแน่น

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|
+------+------+------------+------------+------------+

มาฝึกกันเถอะ!

Machine Learning with PySpark