Когда использовать преобразования

Вам нужен полный индекс функций, а не набор из N наиболее важных элементов.

В машинном обучении часто требуется полный набор поведенческих функций, а не только топ-N. Например, если вы прогнозируете отток клиентов, вы можете изучить такие функции, как количество посещений веб-сайта за последнюю неделю, общее количество продаж или количество отправленных электронных писем. Функции машинного обучения Elastic Stack создают модели на основе этого многомерного пространства функций, поэтому они выигрывают от полных индексов функций, созданных преобразованиями.

Этот сценарий также применим, когда вы пытаетесь искать результаты агрегации или нескольких агрегаций. Результаты агрегации можно упорядочить или отфильтровать, но есть ограничения на сортировку, и фильтрация с помощью агрегации bucket selector ограничена максимальным количеством возвращаемых корзин. Если вы хотите найти все результаты агрегации, вам необходимо создать полный фрейм данных. Если вам нужно отсортировать или отфильтровать результаты агрегации по нескольким полям, преобразования особенно полезны.

Вам нужно отсортировать результаты агрегации по результатам агрегации с помощью pipeline.

Агрегации pipeline нельзя использовать для сортировки. Технически это связано с тем, что агрегации pipeline выполняются на этапе reduction после завершения всех других агрегаций. Если вы создаёте преобразование, вы можете эффективно выполнять несколько проходов по данным.

Вы хотите создать сводные таблицы для оптимизации запросов.

Например, если у вас есть панель мониторинга высокого уровня, к которой обращается большое количество пользователей, и она использует сложную агрегацию по большому набору данных, может быть эффективнее создать преобразование для кэширования результатов. Таким образом, каждому пользователю не нужно запускать запрос агрегации.