ML с самообслуживанием и глубоким реляционным обучением
•RDL позволяет выполнять ML непосредственно в реляционной базе данных. •Это избавляет от необходимости строить матрицу признаков. •RDL преобразует базу данных в граф, где строки становятся узлами, а связи — ребрами. •Используется набор данных электронной коммерции из Kaggle. •Создается схема базы данных с помощью библиотеки relbench. •Преобразуются столбцы даты в объекты pandas datetime. •Обучающая таблица определяет задачу ML. •Каждая строка содержит временную метку, идентификатор объекта и значение для предсказания. •Используется DuckDB для создания обучающей таблицы. •Используются вставки glove для кодирования текстовых элементов. •Построение графа на основе реляционной схемы. •Обучение GNN на основе стандартных уровней. •Выполнение оценок и получение результатов. •RDL полезен для сложных реляционных схем. •Позволяет быстро выполнять итерации и экспериментировать. •Проблемы включают сложность обучения GNN и построения графа. •Вопрос о производительности RDL по сравнению с классическими моделями ML остается открытым.
Этот пост подготовила нейросеть: сделала выжимку статьи и, возможно, даже перевела ее с английского. А бот опубликовал пост в Сетке.
