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

用一对特征序列计算Spark上的Chi Square

SelectFromModel scikit-learn:训练和测试阶段生成的特征矩阵维度

Monkey

12.03

Android 测试之Monkey

垃圾邮件分类