ML-modellen trainen op grote datasets

Parallel programmeren met Dask in Python

James Fulton

Climate Informatics Researcher

Dask-ML

import dask_ml

Versnelt machinelearning-taken

Lineaire regressie

Voorbeelddata met een lineair verband tussen x en y.

Lineaire regressie

Er is een rechte lijn op de data gefit.

Lineaire regressie

De afstand tussen de rechte lijn en de werkelijke datapunten is gemarkeerd.

Een lineair regressiemodel fitten

# Import regression model
from sklearn.linear_model import SGDRegressor

# Create instance of model
model = SGDRegressor()

# Fit model to data
model.fit(X, y)

# Make predictions
y_pred = model.predict(X)

Een scikit-learn-model gebruiken met Dask

# Import regression model
from sklearn.linear_model import SGDRegressor

# Create instance of model
model = SGDRegressor()


# Import Dask-ML wrapper for model
from dask_ml.wrappers import Incremental


# Wrap model
dask_model = Incremental(model, scoring='neg_mean_squared_error')


# Fit on Dask DataFrames or arrays
dask_model.fit(dask_X, dask_y)  # not lazy

Fitten kost meerdere iteraties

De animatie laat zien dat de rechte lijn na meerdere iteraties nauwkeuriger past.

Een Incremental-model trainen

# Loop meerdere keren door de data
for i in range(10):
    dask_model.partial_fit(dask_X, dask_y)  # not lazy

Voorspellingen genereren

y_pred = dask_model.predict(dask_X)

print(y_pred)

dask.array<_predict, shape=(nan,), dtype=int64, chunksize=(nan,), chunktype=...>

print(y_pred.compute())

array([0.465557, 0.905675, 0.285214, ..., 0.249454, 0.559624, 0.823475])

Laten we oefenen!

Parallel programmeren met Dask in Python