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

Automatic Management of Data and Computation in Datacenters

image.png 最近在研究数据中心的数据管理和性能优化,看了一篇2010的论文Nectar:Automatic Management of Data and...

32610
来自专栏人工智能LeadAI

Python资料推荐 + IDE推荐+经典练手项目(开源免费)

今天给大家带来一批宝贝,大家可以在深夜里独自把玩,也可以在广场上一边遛狗一边和盆友们品鉴。 学习资料 1、入门阶段 The Python Tutorial(ht...

63512
来自专栏Python攻城狮

Python资料推荐 + IDE推荐+经典练手项目(开源免费)

今天给大家带来一批宝贝,大家可以在深夜里独自把玩,也可以在广场上一边遛狗一边和盆友们品鉴。

1301
来自专栏SDNLAB

P4编程理论与实践——理论篇

由于对SDN充满着兴趣,在学习了一段时间OpenFlow之后,一次偶然的机会接触到了P4。P4可以实现很多新的Idea,但是无奈于国内的实践资料太少了(有些资料...

2909
来自专栏Android 开发者

[译] 建立一个像科幻小说一样的虚拟世界:设计一个全球性的虚拟世界

3623
来自专栏机器之心

机器之心实操 | 亚马逊详解如何使用MXNet在树莓派上搭建实时目标识别系统

选自AWS 机器之心编译 参与:思源 在过去的五年中,深度神经网络已经解决了许多计算困难的问题,特别是计算机视觉。因为深度神经网络需要大量的计算力来训练模型,所...

3239
来自专栏CSDN技术头条

Apache Beam:下一代的数据处理标准

Apache Beam(原名Google DataFlow)是Google在2016年2月份贡献给Apache基金会的孵化项目,被认为是继MapReduce、G...

28210
来自专栏从流域到海域

用JAVA的DEA算法衡量社交媒体页面的流行度

原文作者:Vasilis Vryniotis

2416
来自专栏媒矿工厂

媒体容器新标准—CMAF

1. 视频流量持续走高 随着移动互联网的快速发展,数据流量呈现出爆发式的增长,互联网传输的视频流量也呈爆炸性增长,预计未来几年将持续增长。根据2017年思科预测...

7647
来自专栏九彩拼盘的叨叨叨

通过分类来管理

在工作的过程中,发现很多人都没有分类的习惯:电脑桌面放着各种各样一大堆的文件;一个原型图文件夹下无序的放着很多原型图;图标文件下放着一堆文件;写的技术类的长文,...

764

扫码关注云+社区