Ambil Fitur yang Tepat pada Titik Waktu
Hindari kebocoran label saat membangun set pelatihan.
Ambil Fitur yang Tepat pada Titik Waktu adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Masalah Perjalanan Waktu
Untuk melatih model secara adil, setiap label memerlukan nilai fitur yang diketahui sebelum peristiwa terjadi, bukan setelahnya. Kekeliruan waktu membocorkan masa depan ke dalam model Anda. ⏳
Apa Itu Kebocoran Label
Kebocoran label terjadi ketika sebuah fitur diam-diam membawa informasi dari setelah waktu prediksi. Model tampak sangat bagus secara luring, lalu gagal saat digunakan langsung.
Jebakan Nyata
Menggabungkan saldo rekening hari ini ke pinjaman yang dibuat tahun lalu adalah contoh kebocoran klasik. Nilai yang benar adalah saldo pada saat pinjaman dibuat.
Penggabungan Berdasarkan Titik Waktu
Penggabungan berdasarkan titik waktu mencocokkan setiap peristiwa dengan nilai fitur terbaru yang tersedia pada atau sebelum stempel waktu peristiwa tersebut. Tidak ada pengintipan ke masa depan.
DataFrame Entitas
Anda memberikan Feast sebuah DataFrame entitas: kunci entitas serta stempel waktu peristiwa untuk setiap baris pelatihan yang ingin Anda lengkapi dengan fitur.
entity_df = pd.DataFrame({"driver_id": [1001], "event_timestamp": [pd.Timestamp("2024-01-01")]})Dapatkan Fitur Historis
Panggil get_historical_features dengan DataFrame tersebut, dan Feast akan melakukan penggabungan yang sesuai waktu dengan penyimpanan luring untuk Anda.
store.get_historical_features(entity_df=entity_df, features=["driver_stats:conv_rate"])Jadikan Dataset
Panggil to_df pada hasilnya untuk mendapatkan DataFrame pelatihan yang setiap barisnya memiliki nilai fitur yang benar dan bebas kebocoran.
training_df = job.to_df()TTL Menjaga Kemutakhiran
Jika nilai terdekat lebih lama daripada ttl fitur, Feast membiarkannya kosong alih-alih menyertakan nilai yang sudah usang.
Logika Sama, Dua Penyimpanan
Pembacaan historis menggunakan penyimpanan luring untuk pelatihan; pembacaan daring menggunakan penyimpanan daring untuk penyajian. Definisi fitur tetap sama, sehingga tidak terjadi ketimpangan.
Mengapa Ini Penting
Kebenaran berdasarkan titik waktu membuat skor luring dapat dipercaya. Lewatkan langkah ini dan angka validasi Anda hanyalah kebohongan yang terasa meyakinkan. 🎯
Gambaran Besar
Tentukan sekali, wujudkan demi kecepatan, lalu gabungkan berdasarkan waktu untuk pelatihan. Semua ini menghasilkan penyimpanan fitur yang cepat, konsisten, dan jujur.
Pemeriksaan Cepat
Mengapa menggunakan penggabungan berdasarkan titik waktu saat membuat set pelatihan?
Ringkasan
Anda menggunakan penggabungan berdasarkan titik waktu melalui get_historical_features untuk membuat set pelatihan bebas kebocoran, sementara definisi yang sama digunakan secara daring. Itulah siklus penyimpanan fitur yang lengkap. 🏁
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Ambil Fitur yang Tepat pada Titik Waktu” gratis?
Ya — teks lengkap “Ambil Fitur yang Tepat pada Titik Waktu” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Ambil Fitur yang Tepat pada Titik Waktu”?
Hindari kebocoran label saat membangun set pelatihan. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Ambil Fitur yang Tepat pada Titik Waktu” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Mengapa Feature Store Dibutuhkan
- Tentukan Feature View dengan Feast
- Wujudkan Fitur ke Penyimpanan Online
- Ambil Fitur yang Tepat pada Titik Waktu