Encoder les données d'apprentissage - 7.3

Rapprochement de données à l'aide des outils Talend

Version
7.3
Language
Français
Product
Talend Big Data Platform
Talend Data Fabric
Talend Data Management Platform
Talend Data Services Platform
Talend MDM Platform
Talend Real-Time Big Data Platform
Module
Studio Talend
Content
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement continu
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement de données
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement flou
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement continu
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement de données
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement flou
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement continu
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement de données
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement flou
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Last publication date
2024-02-07

Procédure

  1. Ajoutez un composant tModelEncoder à droite du tFileInputDelimited.
  2. Reliez le tFileInputDelimited au tModelEncoder à l'aide d'un lien Main.
  3. Double-cliquez sur le tModelEncoder pour ouvrir sa vue Component.
  4. Cliquez sur Sync columns à droite de Schema.
  5. Cliquez sur le bouton [...] près de Edit Schema.
  6. Ajoutez deux colonnes à la sortie : MyFeatures, de type Vector et MyLabels, de type Double.
  7. Cliquez sur OK.
  8. Cliquez sur la flèche verte dans l'onglet Basic settings de la vue Component pour ajouter une transformation.
  9. Dans Transformation, sélectionnez RFormula (Spark 1.5+).
  10. Ajoutez le code suivant dans le champ Parameters.
    featuresCol=MyFeatures;labelCol=MyLabels;formula=conversion ~ age + jobtype + maritalstatus + educationlevel + indefault + hasmortgage + haspersonalloan + numcampaigncalls + priorcampaignoutcome

    Les deux colonnes ajoutées au schéma, MyFeatures et MyLabels sont référencées ici. La formule est une syntaxe standard utilisée dans le langage de programmation R, utilisé pour le calcul de statistiques et les graphiques avancés. Pour plus d'informations, consultez The R Project (en anglais).

    Dans l'échantillonnage de données, il y a neuf attributs et une cible. Dans la formule R ci-dessus, la cible à prédire est la conversion et se situe à gauche du tilde. Toutes les colonnes à droite du caractère tilde sont les attributs. Les deux composants restant, featuresCol et labelCol, sont des valeurs factices pour les tuples et les libellés des attributs.