Когда использовать преобразования

Вам нужен полный индекс признаков, а не набор из лучших N элементов.

В машинном обучении часто требуется полный набор поведенческих признаков, а не только лучшие N. Например, если вы предсказываете отток клиентов, вы можете рассматривать такие признаки, как количество посещений веб-сайта за последнюю неделю, общее количество продаж или количество отправленных писем. Функции машинного обучения Elastic Stack создают модели на основе этого многомерного пространства признаков, поэтому они извлекают выгоду из полных индексов признаков, создаваемых преобразованиями.

Эта ситуация также применима, когда вы пытаетесь выполнить поиск по результатам агрегации или нескольких агрегаций. Результаты агрегации можно упорядочивать или фильтровать, но есть ограничения на упорядочивание, и фильтрация с помощью селектора корзины ограничена максимальным числом возвращаемых корзин. Если вам нужно выполнить поиск по всем результатам агрегации, вам необходимо создать полный кадр данных. Если вам нужно отсортировать или отфильтровать результаты агрегации по нескольким полям, преобразования особенно полезны.

Вам нужно отсортировать результаты агрегации по результатам агрегации по этапам.

Агрегации по этапам нельзя использовать для сортировки. Технически это связано с тем, что агрегации по этапам выполняются на этапе сокращения после завершения всех остальных 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 информационная панель высокого уровня, к которой обращаются множество пользователей, и она использует сложную агрегацию над большим набором данных, создание преобразования для кэширования результатов может быть более эффективным. Таким образом, каждому пользователю не нужно выполнять запрос агрегации.