在Airbnb使用机器学习预测房源的价格

('densify', DenseMatrixConverter()),

]).fit(X_subset)

# 并行应用转换器

Xt = model['transformations'].transform_parallel(X_train)

# 并行进行模型拟合

model['regressor'] = XGBRegressor().fit(Xt, y_train)

def transform(X):

# return dictionary

global model

Xt = model['transformations'].transform(X)

return {'score': model['regressor'].predict(Xt)}

一旦 notebook 完成，ML Automator 将会把练习好的模型包装在 Python UDF 中，并创建一个如下图所示的 Airflow pipeline。数据序列化、按期重练习、分布式评价等数据工程义务都将被载入到日常批处理功课中。是以，这个框架明显降低了数据科学家将模型投入临盆的成本，厩ㄑ有一位数据工程师在与科学家一路工作一样!

我们 LTV 模型在 Airflow DAG 中的图形界面，运行于临盆情况中

Note：除了模型临盆化之外，还有一些其它项目(例如跟踪模型跟着时光推移的机能、应用弹性计算情况建模等)我们没有在这篇文┞仿中进话旧绍。这些都是正在进行开辟的热点范畴。

以前的几个月中，我们的数据科学家们与 ML Infra 密切合作，产生了很多很好的模式和设法主意。我们信赖这些对象将会为 Airbnb 开辟机械进修模型开辟新典范例。

起首，明显地降低了模型的开辟成本：经由过程组合各类不合的自力对象的长处(Zipline 用于特点工程、Pipeline 用于模型原型设计、AutoML 用于模型选择与验证，以及最后的 ML Automator 用于模型临盆化)，我们大年夜大年夜减短了模型的开辟周期。
其次，notebook 的设计降低了入门门槛：还不熟悉框架的数据科学家可以急速获得大年夜量的┞锋实用例。在临盆情况中，可以确保 notebook 是精确、自解释、最新的。这种设计模式受到了新用户的好评。
是以，团队将更愿意存眷机械进修产品的 idea：在本文撰写时，我们还有其它几支团队在采取类似的办法摸索机械进修产品的 idea：为检查房源队列进行排序、猜测房源是否会增长合股人、主动标注低质量房源等等。

我们对这个框架和它带来的新范式的将来认为无比的高兴。经由过程缩小原型与临盆情况间的差距，我们可以让数据科学家和数据工程师更多去寻求端到端的机械进修衔目，让我们的产品做得更好。

【编辑推荐】

关于机械进修的傻瓜指南
Quora是若何应用机械进修的?
揭秘谷歌内部的万人机械进修衔目—忍者筹划！
机械进修大年夜抬脚到趴倒在门槛
有助于你控制机械进修的十三个框架

【义务编辑：庞桂玉 TEL：（010）68476606】

4/4 首页上一页 2 3 4

　　推荐阅读

　　区块链平台的新的威胁

据火币区块链研究中间编译，以前几年来，人们一向在谈论数字资产和区块链。区块链的立异正在赓续进行改进，平>>>详细阅读

本文标题：在Airbnb使用机器学习预测房源的价格

地址：http://www.17bianji.com/lsqh/37197.html

1/2 1