Pobieranie cech poprawnych w danym momencie
Unikaj wycieku etykiet podczas tworzenia zbiorów treningowych
Pobieranie cech poprawnych w danym momencie to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej MLOps Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Problem podróży w czasie
Aby trenowanie było uczciwe, każda etykieta musi mieć wartości cech znane przed wystąpieniem zdarzenia, a nie po nim. Pomieszanie chronologii powoduje wyciek informacji z przyszłości do modelu. ⏳
Czym jest wyciek etykiety
Wyciek etykiety występuje, gdy cecha potajemnie zawiera informacje pochodzące z momentu po wykonaniu predykcji. Model wygląda świetnie offline, a potem zawodzi na produkcji.
Konkretny przykład pułapki
Dołączenie dzisiejszego salda konta do pożyczki udzielonej w zeszłym roku to klasyczny wyciek informacji. Właściwą wartością jest saldo z momentu udzielenia pożyczki.
Złączenia w punkcie czasu
Złączenie w punkcie czasu dopasowuje każde zdarzenie do najnowszej wartości cechy, która istniała w chwili tego zdarzenia lub wcześniej. Bez zaglądania w przyszłość.
DataFrame encji
Przekazują Państwo do Feast dataframe encji: klucze encji oraz znacznik czasu zdarzenia dla każdego wiersza treningowego, dla którego chcą Państwo uzyskać cechy.
entity_df = pd.DataFrame({"driver_id": [1001], "event_timestamp": [pd.Timestamp("2024-01-01")]})Pobieranie cech historycznych
Wywołują Państwo get_historical_features z tym dataframe'em, a Feast wykonuje za Państwa poprawne chronologicznie złączenie z magazynem offline.
store.get_historical_features(entity_df=entity_df, features=["driver_stats:conv_rate"])Przekształcenie w zbiór danych
Wywołują Państwo to_df na wyniku, aby otrzymać dataframe treningowy, w którym każdy wiersz zawiera poprawne wartości cech bez wycieku informacji.
training_df = job.to_df()TTL chroni aktualność
Jeśli najbliższa wartość jest starsza niż ttl cechy, Feast pozostawia ją jako null zamiast dołączać nieaktualną wartość.
Ta sama logika, dwa magazyny
Odczyty historyczne korzystają z magazynu offline podczas trenowania, a odczyty online — z magazynu online podczas obsługi. Definicja cechy pozostaje identyczna, więc nie występuje rozbieżność.
Dlaczego ma to znaczenie
Poprawność w punkcie czasu pozwala uzyskać wyniki offline, którym można ufać. Jeśli ją pominą Państwo, wartości walidacyjne będą jedynie pocieszającym kłamstwem. 🎯
Szerszy obraz
Definiują Państwo cechę raz, materializują ją dla szybkości, a podczas trenowania wykonują złączenie według czasu. Razem daje to magazyn cech, który jest szybki, spójny i uczciwy.
Szybkie sprawdzenie
Dlaczego podczas tworzenia zbioru treningowego należy użyć złączenia w punkcie czasu?
Podsumowanie
Wykorzystali Państwo złączenia w punkcie czasu za pomocą get_historical_features, aby tworzyć zbiory treningowe bez wycieku informacji, podczas gdy te same definicje obsługują dane online. To kompletny cykl działania magazynu cech. 🏁
Często zadawane pytania
Czy lekcja „Pobieranie cech poprawnych w danym momencie” jest bezpłatna?
Tak — pełny tekst „Pobieranie cech poprawnych w danym momencie” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu MLOps Academy, przejdź na CoddyKit PRO. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Pobieranie cech poprawnych w danym momencie”?
Unikaj wycieku etykiet podczas tworzenia zbiorów treningowych Ćwiczysz MLOps Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć MLOps Academy?
Nie wymagamy żadnego doświadczenia. MLOps Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „Pobieranie cech poprawnych w danym momencie”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji MLOps Academy?
Tak. Każda lekcja MLOps Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Dlaczego istnieją magazyny cech
- Definiowanie widoków cech za pomocą Feast
- Materializacja cech w magazynie online
- Pobieranie cech poprawnych w danym momencie