了解 featuretools 中的 PercentTrue 基元输出

Question

我一直在玩 predict-appointment-noshow notebook tutorial，我对 PERCENT_TRUE 原语的输出感到困惑。

我的理解是，在特征生成之后，像 locations.PERCENT_TRUE(appointments.sms_received) 这样的列给出了 sms_received 为 True 的行的百分比，给定一个位置，它被定义为它自己的 Entity 早些时候。我希望该列对于单个位置的所有行都是相同的，因为这是它的条件，但我发现情况并非如此。有什么想法吗？

下面是该笔记本数据中的一个示例来演示：

>>> fm.loc[fm.neighborhood == 'HORTO', 'locations.PERCENT_TRUE(appointments.sms_received)'].describe()

count 144.00
mean 0.20
std 0.09
min 0.00
25% 0.20
50% 0.23
75% 0.26
max 0.31
Name: locations.PERCENT_TRUE(appointments.sms_received), dtype: float64

尽管位置仅限于 'HORTO'，但列的范围为 0.00-0.31。这是如何计算的？

Answer 1

这是计算此特征矩阵时使用截止时间的结果。

在此示例中，我们在安排约会时对每个约会进行预测。因此，特征 locations.PERCENT_TRUE(appointments.sms_received) 是在截止时间给定的特定时间计算的。它正在为每个约会计算 "the percentage of appointments at this location received an an sms prior to the scheduled_time"

为了防止未来信息泄漏到当时对该行的预测中，该构造是必要的。如果我们使用整个数据集计算 PERCENT_TRUE，我们必然会使用来自尚未发生的约会的信息，这对预测建模无效。

如果您想在所有数据已知后进行预测，您只需删除 ft.dfs 调用的 cutoff_time 参数：

fm, features = ft.dfs(entityset=es,
                      target_entity='appointments',
                      agg_primitives=['count', 'percent_true'],
                      trans_primitives=['weekend', 'weekday', 'day', 'month', 'year'],
                      max_depth=3,
                      approximate='6h',
                      # cutoff_time=cutoff_times[20000:],
                      verbose=True)

现在您可以看到，当我们以特定位置为条件时，特征是相同的

fm.loc[fm.neighborhood == 'HORTO', 'locations.PERCENT_TRUE(appointments.sms_received)'].describe()
count   175.00
mean      0.32
std       0.00
min       0.32
25%       0.32
50%       0.32
75%       0.32
max       0.32

您可以在 documentation 中阅读有关 Featuretools 如何处理时间的更多信息。

了解 featuretools 中的 PercentTrue 基元输出

Understanding the PercentTrue primitive output in featuretools

featuretools