在databricks环境中，结合使用automl与特征存储（feature store）能够显著提升机器学习工作流的效率。然而，当尝试直接将特征存储查找（feature_store_lookups）传递给databricks.automl.regress或databricks.automl.classify函数时，可能会遇到特征选择上的挑战。
通常，用户希望从特征表中选择特定的特征列。在使用feature_store_lookups字典列表时，虽然可以在每个查找字典中包含feature_names字段来指定所需特征，但Databricks AutoML API在处理此参数时存在限制。具体而言，feature_names并非databricks.automl函数内部feature_store_lookups参数的有效选项。这意味着即使指定了feature_names，AutoML也可能默认包含特征表中的所有列，导致模型训练过程中引入不必要的特征，甚至因数据格式或类型不兼容而导致AutoML运行失败。
此外，当尝试使用exclude_cols参数来排除从特征存储中引入的额外列时，AutoML会报错，指出这些列不在数据集的初始Schema中，从而无法有效排除。这进一步限制了在直接AutoML调用中进行精细特征控制的能力。
以下是一个尝试直接使用feature_store_lookups并遇到问题的典型示例：
import databricks.automl
automl_feature_lookups = [
{
"table_name":"lakehouse_in_action.favorita_forecasting.oil_10d_lag_ft",
"lookup_key":"date",
"feature_names":"lag10_oil_price" # 此处 feature_names 在 AutoML API 中无效
},
{
"table_name":"lakehouse_in_action.favorita_forecasting.store_holidays_ft",
"lookup_key":["date","store_nbr"]
},
{
"table_name":"lakehouse_in_action.favorita_forecasting.stores_ft",
"lookup_key":"store_nbr",
"feature_names":["cluster","store_type"] # 此处 feature_names 在 AutoML API 中无效
}
]
# 假设 raw_data 是包含基础数据（如日期、商店编号、标签）的DataFrame
automl_data = raw_data.filter("date > '2016-12-31'")
# 这种直接调用方式可能导致所有特征表列被包含，并引发错误
summary = databricks.automl.regress(automl_data,
target_col=label_name,
time_col="date",
timeout_minutes=60,
feature_store_lookups=automl_feature_lookups)当尝试添加exclude_cols=['city','state']等参数时，如果这些列来源于特征查找表，则会收到类似InvalidArgumentError: Dataset schema does not contain column with name 'city'.的错误。
解决上述问题的最佳实践是，在调用Databricks AutoML之前，显式地利用databricks.feature_store模块来构建一个训练数据集（TrainingSet）。这种方法允许在特征存储层面精确指定要包含的特征，并将所有查找操作预先合并到一个统一的DataFrame中，然后将这个预处理好的DataFrame传递给AutoML。
首先，确保导入FeatureLookup类和databricks.feature_store模块。
from databricks.feature_store import FeatureLookup import databricks.feature_store as fe import databricks.automl
使用FeatureLookup对象来定义每个特征表的查找规则，并在其中明确指定feature_names。这是与直接在AutoML中传递字典列表的关键区别，FeatureLookup对象支持feature_names参数，允许精确选择特征。
model_feature_lookups = [
FeatureLookup(
table_name="lakehouse_in_action.favorita_forecasting.oil_10d_lag_ft",
lookup_key="date",
feature_names="lag10_oil_price" # 在 FeatureLookup 中有效
),
FeatureLookup(
table_name="lakehouse_in_action.favorita_forecasting.store_holidays_ft",
lookup_key=["date","store_nbr"]
# 如果不指定 feature_names，则默认包含所有非 lookup_key 列
),
FeatureLookup(
table_name="lakehouse_in_action.favorita_forecasting.stores_ft",
lookup_key="store_nbr",
feature_names=["cluster","store_type"] # 在 FeatureLookup 中有效
),
]使用fe.create_training_set函数将基础DataFrame（df）、特征查找规则（feature_lookups）和目标列（label）结合起来，创建一个TrainingSet对象。这个过程会根据lookup_key自动将特征表中的指定特征合并到基础DataFrame中。
# 假设 raw_data 是包含基础数据（如日期、商店编号、标签）的DataFrame
# label_name 是目标列的名称
training_set = fe.create_training_set(
df=raw_data,
feature_lookups=model_feature_lookups,
label=label_name,
)通过调用training_set.load_df()方法，将TrainingSet转换为一个包含所有基础数据和合并后特征的Spark DataFrame。此时，这个DataFrame已经包含了所有经过精确选择的特征，并且不再有额外的、不期望的列。
training_df = training_set.load_df()
现在，可以将这个预处理好的training_df传递给databricks.automl.regress函数。此时，feature_store_lookups参数不再需要，因为特征已经合并。如果需要排除原始raw_data中非特征存储来源的列（例如，一个不用于训练的id列），可以使用exclude_cols参数。
# 可选：对数据进行进一步过滤，例如按日期过滤
automl_data = training_df.filter("date > '2016-12-31'") # 此过滤仅为缩小数据量，非必需步骤
summary = databricks.automl.regress(automl_data,
target_col=label_name,
time_col="date",
timeout_minutes=6,
exclude_cols=['id'] # 此时 exclude_cols 可用于排除非特征存储来源的列
)from databricks.feature_store import FeatureLookup
import databricks.feature_store as fe
import databricks.automl
from pyspark.sql import SparkSession
from pyspark.sql.functions import lit, current_date
# 模拟 SparkSession 和 raw_data
spark = SparkSession.builder.appName("AutoMLFeatureStoreTutorial").getOrCreate()
# 假设 raw_data 包含 'date', 'store_nbr', 'id', 'label_name' 等列
# 实际应用中 raw_data 会从数据源加载
raw_data = spark.createDataFrame([
("2017-01-01", 1, 1001, 5.5),
("2017-01-01", 2, 1002, 6.2),
("2017-01-02", 1, 1003, 5.8),
("2017-01-02", 2, 1004, 6.0),
("2016-12-31", 1, 1000, 5.0) # 模拟旧数据
], ["date", "store_nbr", "id", "sales"])
label_name = "sales"
# 定义 FeatureLookup 对象，精确指定所需特征
model_feature_lookups = [
FeatureLookup(
table_name="lakehouse_in_action.favorita_forecasting.oil_10d_lag_ft",
lookup_key="date",
feature_names="lag10_oil_price"
),
FeatureLookup(
table_name="lakehouse_in_action.favorita_forecasting.store_holidays_ft",
lookup_key=["date","store_nbr"]
),
FeatureLookup(
table_name="lakehouse_in_action.favorita_forecasting.stores_ft",
lookup_key="store_nbr",
feature_names=["cluster","store_type"]
),
]
# 使用 Feature Store 创建训练数据集
training_set = fe.create_training_set(
df=raw_data,
feature_lookups=model_feature_lookups,
label=label_name,
)
# 加载合并后的 DataFrame
training_df = training_set.load_df()
# 可选：进一步过滤数据
automl_data = training_df.filter("date > '2016-12-31'")
# 执行 Databricks AutoML
# 注意：此处的 AutoML 调用是模拟的，实际运行需要Databricks环境和配置
# summary = databricks.automl.regress(automl_data,
# target_col=label_name,
# time_col="date",
# timeout_minutes=6,
# exclude_cols=['id']
# )
print("训练数据集Schema:")
automl_data.printSchema()
print("\n前5行数据:")
automl_data.show(5)
# 假设 AutoML 运行成功
print("\nDatabricks AutoML 实验已成功配置并执行。")注意事项：
通过在Databricks AutoML工作流中引入databricks.feature_store.create_training_set这一中间步骤，我们能够有效地解决特征选择的难题。这种方法允许开发者利用FeatureLookup对象的feature_names参数精确控制从特征存储中引入哪些特征，从而构建一个干净、目标明确的训练数据集。随后，将这个预处理好的DataFrame传递给AutoML，不仅能够避免因额外列导致的失败，还能提高模型训练的效率和准确性。这体现了Databricks Feature Store在MLOps流程中提供强大特征管理能力的价值。
以上就是Databricks AutoML与特征工程：高效管理特征选择的实践指南的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
244
收藏
