机器学习数据采集入门经验分享

在新的一年里,很多人都在思考如何利用机器学习(ML)算法来提高产品或服务的质量。

PredictionIO公司与许多公司合作,部署他们的第一个ML系统和大数据基础设施。PredictionIO总结了数据收集任务中的一些好的实践,并愿意与你分享这些经验。

如果你正在考虑采用ML,以正确的格式收集正确的数据,将会降低你的数据清理工作以及数据浪费。

要收集所有数据

收集所有数据是非常重要的。除非你真正训练一个预测模型,否则你将很难知道哪个属性哪些信息具有预测价值,并提供最好的结果。 如果一条信息没有收集到,我们就没有办法获取它,并永远地失去它了。存储成本的低廉,也使得你可以收集一切与你的应用程序、产品或服务相关的数据。

这里有两个例子:

在产品推荐中,收集用户标识符、物品(即产品)标识和行为数据包括评分是非常重要的。 其他相关属性,如类别、描述、价格等数据,对于推荐模型的提升也是有用的。隐含的行为,如意见,可能比显性评分更加有用。

在预测泰坦尼克号乘客的生存上,我们凭直觉知道,乘客的年龄、性别等属性和结果是有关联的。 其他属性如船上儿童的数目、车费和客舱可能是也可能不是有用的信息。在你开始建立预测模型之前,你很难知道哪些方面将会对预测最有价值。

存储日志是一种常见的解决方案;他们以后可以提取、转换和加载来训练你的机器学习模型。

每个事件的时间戳

每个事件的时间戳都是很重要的,尤其是对于用户的动作或行为数据来说。时间戳能够阻止我们在构建机器学习模型时出现先窥偏差(Look-ahead Bias)。

PredictionIO提供支持最佳实践的Event Server或“基于事件的风格”收集数据。这意味着一切被视为有时间戳的事件而收集,不管他是一个用户(例如“Sarah Connor”),一件物品(例如“终结者”),或者一个用户对物品的操作(“Sarah Connor查看终结者“)。

举个例子,创建用户Sarah Connor:

{ "event" : "new_user", "entityType" : "user" "entityId" : "de305d54-75b4-431b-adb2-eb6b9e546013", "properties" : { "name" : "Sarah Connor", "age" : 19, "email" : "sarah.connor@sky.net", "gender" : "Female" } "eventTime" : "1984-10-26T21:39:45.618-07:00" }

注意,entityId我们使用了通用唯一标识符(UUID),而eventTime我们使用ISO 8601的格式。

保持属性一致性

使用一致的属性值。如果性别使用了“Female”,最好往后保持使用相同的符号,而不是以“F”或“female”或“girl”来替代。 当你删除了一项特征,你应该将之从训练集之中排除。你可以清理与该特征相关联的数据并重新导入。 当您添加一个新的特征,回填字段的默认值是重要的。

避免序列化和二进制

在Event Server 中,“属性”区域允许任何形式自由的JSO 象。为了方便,我们可以存储一个转义JSON字符串作为该区域之一。 然而,序列化可能会混 数据,使之变成一个不可用的点。举例如下:

错误的代码:

{ "event" : "new_user", "entityType" : "user" "entityId" : "de305d54-75b4-431b-adb2-eb6b9e546013", "properties" : { "name" : "Sarah Connor", "age" : 19, "email" : "sarah.connor@sky.net", "gender" : "Female", "car": "{\r\n \"make\": \"Honda\",\r\n \"model\": \"Fit\",\r\n \"trim\": \"Sport\",\r\n \"year\": 2015\r\n}" } "eventTime" : "1984-10-26T21:39:45.618-07:00" }

正确的代码 :

{ "event" : "new_user", "entityType" : "user" "entityId" : "de305d54-75b4-431b-adb2-eb6b9e546013", "properties" : { "name" : "Sarah Connor", "age" : 19, "email" : "sarah.connor@sky.net", "gender" : "Female", "car": { "make": "Honda", "model": "Fit", "trim": "Sport", "year": 2015 } } "eventTime" : "1984-10-26T21:39:45.618-07:00" }

可能的例外是当序列化大幅降低存储空间时。例如,你可能希望使用Protocol Buffer来存储数据,并把它们作为二进制字符串序列化。 这样做可以节省5倍的存储空间,但它会使你的数据不可解析。更糟糕的是,如果你失去了你的消息定义文件,数据将会永久丢失。 除非你的数据大小有谷歌或亚马逊那样的规模,不然这可能不值得。

查询时间

大型数据集的查询是耗时的工作。PredictionIO Event Server 通过(entityId,entityType)索引数据。 如果你想有效地查询,根据你的需要选择“entityId”和“entityType”。

使用队列服务

建议使用消息队列机制将事件数据传递到Event Store。如果Event Store暂时不可用,消息将驻留在队列中,直到它被处理。 数据不会丢失。(Via:互联网分析沙龙)

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2015-04-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据和云计算技术

技术专栏丨2018 存储技术热点与趋势总结

类型:技术专栏 作者介绍 张凯(Kyle Zhang),SmartX 联合创始人 & CTO。毕业于清华大学计算机系,研究方向为分布式系统和体系结构。2013...

3778
来自专栏熊彪的专栏

精准测分:基于函数调用关系链的用例消振算法 ( 上帝视角 )

地球文明不是孤岛,函数呢?从静态的视角观察函数,她只是一个一个在文件中孤立存在的代码片段。但从动态的视角观察,函数与函数之间就天然的发生了关联。这个关联是怎么产...

1280
来自专栏机器人网

基于嵌入式Linux的移动机器人控制系统

随着科学技术的发展和社会的需要,移动机器人技术得到了迅速发展,正在渗透到各行各业中,使人们的生活更加便利。现今以单片机为核心的移动机器人存在处理数据量有限、控制...

3405
来自专栏IT派

争论|摩尔定律已死?GPU会取代CPU的位置吗?

如果你觉得好的话,不妨分享到朋友圈。 京举办的NVIDIA GTC China会议中,无论是AI智能运算,还是服务器数据中心、智能城市,甚至还有去年很火热但是...

3474
来自专栏顶级程序员

不多掏钱 让数据库快200倍,Really?!

这年头几乎每个人都在这样那样抱怨性能。数据库管理员和程序员不断发现自己处于这种情形:服务器遇到了瓶颈,或者查询起来没完没了,这种情况并不少见。这种郁闷对我们所...

34611
来自专栏智能大石头

借助Redis做秒杀和限流的思考

最近群里聊起秒杀和限流,我自己没有做过类似应用,但是工作中遇到过更大的数据和并发。 于是提出了一个简单的模型: var count = rds.inc(key)...

5874
来自专栏韩伟的专栏

字节的奥秘

在数码产品中,最常见的名词就是“字节”了。不管是U盘容量、手机存储空间,还是网络带宽,下载速度,都会涉及所谓“字节”这个单位。但到底“字节”是一个什么东西呢?本...

3234
来自专栏吉浦迅科技

DAY26:阅读性能优化策略

824
来自专栏我是攻城师

Lucene暴走之巧用内存倒排索引高效识别垃圾数据

26610
来自专栏人工智能头条

深度 | 图计算系统进展和展望

2284

扫码关注云+社区