Machine Learning Associate · Tabele cech w Unity Catalog
Zapis, trening i scoring z uzyciem cech
Najważniejsze
- Zapisujesz przez fe.write_table(name=..., df=..., mode='merge'), co robi upsert po kluczu glownym.
- Trenujesz, definiujac obiekty FeatureLookup (table_name, feature_names, lookup_key) i wywolujac fe.create_training_set(df, feature_lookups, label).
- Logujesz przez fe.log_model(..., training_set=...), by model niosl specyfikacje cech.
- Scoring: fe.score_batch(model_uri, df) - podajesz tylko klucze, a cechy sa pobierane automatycznie.
Źródło: https://docs.databricks.com/aws/en/machine-learning/feature-store/train-models-with-feature-store
Przykładowe pytania
Ktory tryb write_table aktualizuje istniejace wiersze cech po kluczu glownym i dodaje nowe?
- merge
- drop
- snapshot
- stream
Pokaż odpowiedź
Odpowiedź: A. merge
mode='merge' robi upsert po kluczu glownym; wiersze nieobecne w nowych danych pozostaja bez zmian.
Co jest prawda po zalogowaniu modelu przez fe.log_model(..., training_set=training_set)?
- Model przechowuje specyfikacje wyszukiwania cech
- score_batch moze pobrac cechy na podstawie kluczy glownych
- Cala tabela cech jest kopiowana do artefaktu modelu
- Modelu nie mozna juz zarejestrowac
- Kolumna etykiety jest usuwana z tabeli cech
Pokaż odpowiedź
Odpowiedź: A. Model przechowuje specyfikacje wyszukiwania cech, B. score_batch moze pobrac cechy na podstawie kluczy glownych
Metadane wyszukiwania cech podrozuja z modelem, wiec do scoringu potrzeba tylko kluczy. Same dane cech nie sa kopiowane do modelu.
fe.score_batch wymaga, by wejsciowy DataFrame zawieral juz wszystkie kolumny cech, na ktorych trenowano model.
Pokaż odpowiedź
Odpowiedź: Fałsz
Falsz. DataFrame potrzebuje kluczy wyszukiwania; score_batch pobiera cechy z tabel cech.
Przećwicz 8 pytań z tego tematu w Bitzu
Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.
