Recuperare feature corrette rispetto al punto nel tempo
Eviti il leakage delle label durante la creazione dei set di addestramento.
Recuperare feature corrette rispetto al punto nel tempo è una lezione MLOps Academy gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento MLOps Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso MLOps Academy include 4 lezioni in totale.
Il problema del viaggio nel tempo
Per addestrare il modello in modo corretto, ogni etichetta deve usare i valori delle feature che erano noti prima dell'evento, non dopo. Confondere l'ordine temporale fa trapelare il futuro nel modello. ⏳
Che cos'è il label leakage
Il label leakage si verifica quando una feature contiene di nascosto informazioni successive al momento della predizione. Il modello sembra eccellente offline, ma poi fallisce in produzione.
Un esempio concreto
Collegare il saldo odierno di un conto a un prestito concesso l'anno scorso è un classico caso di leakage. Il valore corretto è il saldo così com'era al momento del prestito.
Join point-in-time
Un join point-in-time associa ogni evento all'ultimo valore della feature esistente al timestamp dell'evento o prima di esso. Senza guardare avanti nel tempo.
Il dataframe delle entità
Si passa a Feast un entity dataframe: le chiavi delle entità più un timestamp dell'evento per ogni riga di training per cui si desiderano le feature.
entity_df = pd.DataFrame({"driver_id": [1001], "event_timestamp": [pd.Timestamp("2024-01-01")]})Ottenere le feature storiche
Chiami get_historical_features con quel dataframe e Feast esegue per Lei il join temporalmente corretto con l'offline store.
store.get_historical_features(entity_df=entity_df, features=["driver_stats:conv_rate"])Trasformarlo in un dataset
Chiami to_df sul risultato per ottenere un dataframe di training in cui ogni riga contiene valori delle feature corretti e privi di leakage.
training_df = job.to_df()Il TTL protegge l'aggiornamento
Se il valore più vicino è più vecchio del ttl della feature, Feast lo lascia nullo invece di associare un valore obsoleto.
La stessa logica, due store
Le letture storiche usano l'offline store per il training; le letture online usano l'online store per il serving. La definizione della feature resta identica, quindi non si verifica alcun disallineamento.
Perché è importante
La correttezza point-in-time è ciò che rende affidabili i risultati offline, risultati di cui potete fidarvi. Se la ignorate, i numeri di validazione sono solo una rassicurante bugia. 🎯
Il quadro generale
Definire una volta, materializzare per ottenere velocità e fare il join in base al tempo per il training. Insieme, questi elementi Le offrono un feature store veloce, coerente e attendibile.
Controllo rapido
Perché usare un join point-in-time nella costruzione di un training set?
Riepilogo
Ha usato join point-in-time tramite get_historical_features per creare training set privi di leakage, mentre le stesse definizioni vengono usate online. Questo completa il ciclo di un feature store. 🏁
Impara Python con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 30
- Lezioni
- 120
Domande Frequenti
La lezione «Recuperare feature corrette rispetto al punto nel tempo» è gratuita?
Sì — il testo completo di «Recuperare feature corrette rispetto al punto nel tempo» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso MLOps Academy, passa a CoddyKit PRO. Il corso MLOps Academy include 4 lezioni in totale.
Cosa imparerò in «Recuperare feature corrette rispetto al punto nel tempo»?
Eviti il leakage delle label durante la creazione dei set di addestramento. Eserciti MLOps Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare MLOps Academy?
Non è richiesta alcuna esperienza precedente. MLOps Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Recuperare feature corrette rispetto al punto nel tempo»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione MLOps Academy?
Sì. Ogni lezione MLOps Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Perché esistono i feature store
- Definire feature view con Feast
- Materializzare le feature in un online store
- Recuperare feature corrette rispetto al punto nel tempo