是否可以仅为测试数据计算特征矩阵?
Posted
技术标签:
【中文标题】是否可以仅为测试数据计算特征矩阵?【英文标题】:Is it possible to calculate a feature matrix only for test data? 【发布时间】:2021-09-21 11:37:45 【问题描述】:我有超过 100,000 行带有时间戳的训练数据,并且想为新的测试数据计算一个特征矩阵,其中只有 10 行。测试数据中的一些特征最终会聚合一些训练数据。我需要快速实现,因为这是实时推理管道中的一步。
我可以想到两种实现方式:
连接训练和测试实体集并运行 DFS,然后只使用最后 10 行并丢弃其余的。这是非常耗时的。有没有办法在使用整个实体集的数据的同时计算实体集的子集?
使用 Featuretools 部署页面上的Calculating Feature Matrix for New Data 部分中概述的步骤。但是,如下所示,这似乎不起作用。
创建所有/训练/测试实体集:
import featuretools as ft
data = ft.demo.load_mock_customer(n_customers=3, n_sessions=15)
df_sessions = data['sessions']
# Create all/train/test entity sets.
all_es = ft.EntitySet(id='sessions')
train_es = ft.EntitySet(id='sessions')
test_es = ft.EntitySet(id='sessions')
all_es = all_es.entity_from_dataframe(
entity_id='sessions',
dataframe=df_sessions, # all sessions
index='session_id',
time_index='session_start',
)
train_es = train_es.entity_from_dataframe(
entity_id='sessions',
dataframe=df_sessions.iloc[:10], # first 10 sessions
index='session_id',
time_index='session_start',
)
test_es = test_es.entity_from_dataframe(
entity_id='sessions',
dataframe=df_sessions.iloc[10:], # last 5 sessions
index='session_id',
time_index='session_start',
)
# Normalise customer entities so we can group by customers.
all_es = all_es.normalize_entity(base_entity_id='sessions',
new_entity_id='customers',
index='customer_id')
train_es = train_es.normalize_entity(base_entity_id='sessions',
new_entity_id='customers',
index='customer_id')
test_es = test_es.normalize_entity(base_entity_id='sessions',
new_entity_id='customers',
index='customer_id')
设置cutoff_time
,因为我们正在处理带有时间戳的数据:
cutoff_time = (df_sessions
.filter(['session_id', 'session_start'])
.rename(columns='session_id': 'instance_id',
'session_start': 'time'))
计算所有数据的特征矩阵:
feature_matrix, features_defs = ft.dfs(entityset=all_es,
cutoff_time=cutoff_time,
target_entity='sessions')
display(feature_matrix.filter(['customer_id', 'customers.COUNT(sessions)']))
session_id | customer_id | customers.COUNT(sessions) |
---|---|---|
1 | 3 | 1 |
2 | 3 | 2 |
3 | 1 | 1 |
4 | 2 | 1 |
5 | 2 | 2 |
6 | 2 | 3 |
7 | 2 | 4 |
8 | 1 | 2 |
9 | 2 | 5 |
10 | 1 | 3 |
11 | 1 | 4 |
12 | 2 | 6 |
13 | 3 | 3 |
14 | 1 | 5 |
15 | 3 | 4 |
计算训练数据的特征矩阵:
feature_matrix, features_defs = ft.dfs(entityset=train_es,
cutoff_time=cutoff_time.iloc[:10],
target_entity='sessions')
display(feature_matrix.filter(['customer_id', 'customers.COUNT(sessions)']))
session_id | customer_id | customers.COUNT(sessions) |
---|---|---|
1 | 3 | 1 |
2 | 3 | 2 |
3 | 1 | 1 |
4 | 2 | 1 |
5 | 2 | 2 |
6 | 2 | 3 |
7 | 2 | 4 |
8 | 1 | 2 |
9 | 2 | 5 |
10 | 1 | 3 |
计算测试数据的特征矩阵(使用Featuretools部署页面“新数据的特征矩阵”中的方法):
feature_matrix = ft.calculate_feature_matrix(features=features_defs,
entityset=test_es,
cutoff_time=cutoff_time.iloc[10:])
display(feature_matrix.filter(['customer_id', 'customers.COUNT(sessions)']))
session_id | customer_id | customers.COUNT(sessions) |
---|---|---|
11 | 1 | 1 |
12 | 2 | 1 |
13 | 3 | 1 |
14 | 1 | 2 |
15 | 3 | 2 |
如您所见,train_es
生成的特征矩阵与all_es
生成的特征矩阵的前 10 行相匹配。但是,test_es
生成的特征矩阵与all_es
生成的特征矩阵的对应行不匹配。
【问题讨论】:
【参考方案1】:您可以使用 cutoff_time
数据框(如果截止时间是单个日期时间,则可以使用 DFS 中的 instance_ids
参数)控制要为哪些实例生成特征。 Featuretools 只会为 ID 在截止时间数据帧中的实例生成特征,而忽略所有其他实例:
feature_matrix, features_defs = ft.dfs(entityset=all_es,
cutoff_time=cutoff_time[10:],
target_entity='sessions')
display(feature_matrix.filter(['customer_id', 'customers.COUNT(sessions)']))
customer_id | customers.COUNT(sessions) | session_id |
---|---|---|
1 | 4 | |
2 | 6 | |
3 | 3 | |
1 | 5 | |
3 | 4 |
“新数据的特征矩阵”中的方法在您想要计算相同的特征但使用全新的数据时很有用。将创建所有相同的功能,但不会在实体集之间共享数据。这在这种情况下不起作用,因为目标是使用所有数据,但只为某些实例生成特征。
【讨论】:
以上是关于是否可以仅为测试数据计算特征矩阵?的主要内容,如果未能解决你的问题,请参考以下文章