Trénování modelů strojového učení na velkých datasetech

Parallel Programming with Dask in Python

James Fulton

Climate Informatics Researcher

Dask-ML

import dask_ml

Urychluje úlohy strojového učení

Lineární regrese

Příklad dat s lineárním vztahem mezi x a y.

Lineární regrese

Na data byla proložena přímka.

Lineární regrese

Zvýrazněna vzdálenost mezi přímkou a skutečnými datovými body.

Trénování modelu lineární regrese

# 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)

Použití modelu scikit-learn s Daskem

# 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

Trénování probíhá ve více iteracích

Animace ukazuje, že přímka se po několika iteracích přizpůsobuje přesněji.

Trénování inkrementálního modelu

# Loop through data multiple times
for i in range(10):
    dask_model.partial_fit(dask_X, dask_y)  # not lazy

Generování předpovědí

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])

Pojďme cvičit!

Parallel Programming with Dask in Python