在大型数据集上训练机器学习模型

Python 中的 Dask 并行编程

James Fulton

Climate Informatics Researcher

Dask-ML

import dask_ml

加速机器学习任务

线性回归

一个 x 与 y 呈线性关系的数据示例。

线性回归

一条直线已拟合到数据上。

线性回归

突出显示直线与实际数据点之间的距离。

拟合线性回归模型

# 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)

将 scikit-learn 模型与 Dask 配合使用

# 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

拟合需要多次迭代

动画显示直线经过多次迭代后拟合更准确。

训练 Incremental 模型

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

生成预测

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])

Passons à la pratique !

Python 中的 Dask 并行编程