特征工程，同时使用经过训练的 ML 模型作为服务进行预测答案

【问题标题】：feature engineering while making predictions using a trained ML model as a service特征工程，同时使用经过训练的 ML 模型作为服务进行预测
【发布时间】：2021-08-17 23:23:31
【问题描述】：

我正在尝试构建一个对回归问题进行预测的烧瓶服务。我有构建具有大约 20 列的模型所需的数据。使用这些数据，我建立了一个很好的回归模型。但是在数据上训练模型，我已经做了很多特征工程，例如 log box cox 转换、one-hot 编码、由于高多重共线性而丢弃少量列等，现在特征数量为 35。我在这 35 个特征上训练了模型，检查了性能并使用 pickle 保存了模型。我在烧瓶服务中加载了我的腌制模型。但是现在模型的输入是我的原始数据的格式，它只有 20 列。

那么，如何对新的输入集进行所有特征工程？我只能保存经过训练的模型，但是在传递我的新数据进行预测之前，我如何进行所有的特征工程。

【问题讨论】：

标签： python machine-learning flask deployment pickle

【解决方案1】：

特征工程工作一旦成功（经过多次实验），就应该转化为输入处理代码（机器学习管道的一部分）。这段代码，也许经过一些重构，应该在输入到训练模型之前作为输入处理代码结束。

这通常由可插拔架构支持（如 TensorFlow 中的 Pipeline in sklearn 或 tf.data 类集）。

【讨论】：