作者:wrennlatsha_188 | 来源:互联网 | 2023-01-06 11:58
2.7 复用性和自动化
本节我们将讨论数据集组织方法、预处理工作流方法,然后使用Apache Spark pipeline模型进行表示,并实现工作流。然后,我们将评估数据预处理的自动化解决方案。
学完本节,我们应能够使用Spark pipeline模型来表示和实现数据集预处理工作流,理解一些基于Apache Spark的自动化解决方案。
2.7.1 数据集预处理工作流
数据准备工作是从数据清洗到标识匹配,再由数据重组到特征提取,能以某种形式进行组织,反映了一步一步开展机器学习数据集准备的有序过程。换言之,所有的数据准备工作可以被组织为一个工作流程。
为工作流组织数据清理可以帮助实现复用性工作和自动化,对于机器学习从业者而言极具价值,这是因为机器学习从业者和数据科学家往往要花费工作时间的80%用于数据清洗和预处理。
在大多数机器学习项目中,包括