Build Features

Descrição

O passo Build Features cria uma tabela de colunas de caraterísticas derivadas a partir de uma tabela de origem — combinações aritméticas e de interação, extração de partes de datas, criação de intervalos, escalonamento e codificação one-hot — numa só passagem, sem escrever à mão uma expressão por coluna. É executado como uma transformação vulgar no armazém de dados.

Configuração

• Origem / Tabelas de saída — a tabela de entrada e a tabela onde as colunas derivadas são escritas.
• Colunas de passagem direta (passthrough_columns) — colunas de origem transportadas sem alterações.
• Caraterísticas (features) — uma lista ordenada de especificações de caraterísticas, com pelo menos uma. Cada especificação tem um type e produz uma ou mais colunas de saída. Os nomes das colunas de saída — colunas de passagem direta mais o name de cada caraterística que não seja one-hot — têm de ser todos distintos; guardar um nome duplicado, ou um par (column, prefix) one-hot duplicado, é rejeitado.

Tipos de caraterísticas

Tipo	Campos	Produz
Expressão (expression)	name, expression, dtype (predefinido text)	Uma coluna: uma expressão arbitrária sobre colunas de origem.
Interação (interaction)	name, columns (exatamente 2), op (multiply ou add, predefinido multiply), dtype (predefinido numeric)	Uma coluna: a combinação aritmética aos pares de duas colunas numéricas.
Parte da data (datepart)	name, column, part (year, month, day, dow ou hour)	Uma coluna: o componente de data/hora extraído.
Intervalo (bin)	name, column, thresholds (ascendentes, pelo menos 1), labels (exatamente mais uma do que thresholds)	Uma coluna: a etiqueta do intervalo em que cai o valor de column. Os limiares são valores fixos que fornece — consulte Limites e ressalvas.
Pontuação Z (zscore)	name, column, dtype (predefinido numeric)	Uma coluna: a coluna normalizada para média zero e variância unitária.
Mín.-máx. (minmax)	name, column, out_min (predefinido 0), out_max (predefinido 1), dtype (predefinido numeric)	Uma coluna: a coluna reescalada para o intervalo [out_min, out_max].
Codificação one-hot (onehot)	column, prefix	Uma coluna por cada valor distinto de column, cada uma com o nome <prefix><value>.
Estatística de coluna (column_mean, column_sum, column_variance, column_stddev, column_min, column_max)	name, column, dtype, moments, order_column	Uma coluna: a estatística da coluna inteira, sob o filtro do passo, em todas as linhas. moments é sql (predefinido, o agregado do armazém de dados) ou welford, que calcula a média, a soma, a variância e o desvio-padrão como momentos corridos de uma só passagem sobre a coluna lida pela ordem de order_column, tal como o COL_MEAN do Math Formula do KNIME e os seus equivalentes.

Limites e ressalvas

• A criação de intervalos precisa de limiares fixos à partida. bin distribui uma coluna por intervalos segundo limiares e etiquetas que fornece — não há criação de intervalos orientada pelos dados (intervalos de largura igual ou de frequência igual calculados a partir dos dados em tempo de execução). Calcule os limiares por si (por exemplo, a partir de um passo de agregação anterior) antes de configurar uma caraterística bin.
• Uma tabela de cada vez. O Build Features lê e escreve uma única tabela de origem; não agrega valores entre tabelas relacionadas como faz uma ferramenta de síntese de caraterísticas entre tabelas. Modele qualquer relação entre tabelas como uma junção a montante do passo.
• Sem redução de dimensionalidade nem codificação sensível ao alvo neste passo. O Build Features não tem redução de componentes ao estilo PCA nem codificação do alvo (uma coluna categórica reexpressa como uma estatística da etiqueta, como a sua média). Utilize onehot para caraterísticas categóricas. Para redução de componentes, utilize o algoritmo pca de ML: Treinar modelo e utilize o tratamento de caraterísticas do próprio passo se um pipeline de treino precisar de outra codificação.

Relacionado

• ML: Treinar modelo — treina um modelo sobre uma tabela, incluindo uma construída por este passo.
• Matriz de conversão do Alteryx — como as primitivas da ferramenta Build Features do Alteryx são mapeadas para estes tipos de caraterísticas, e quais das suas primitivas (agregação entre tabelas, PCA, codificação do alvo, criação automática de intervalos) não têm equivalente aqui.