Antrenarea modelelor ML pe seturi mari de date

Programare paralelă cu Dask în Python

James Fulton

Climate Informatics Researcher

Dask-ML

import dask_ml

Accelerează sarcinile de machine learning

Regresia liniară

Exemplu de date cu relație liniară între x și y.

Regresia liniară

O dreaptă a fost potrivită pe date.

Regresia liniară

Distanța dintre dreaptă și punctele reale de date este evidențiată.

Potrivirea unui model de regresie liniară

# 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)

Utilizarea unui model scikit-learn cu 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

Antrenarea necesită mai multe iterații

Animația arată că dreapta se potrivește mai bine după mai multe iterații de antrenare.

Antrenarea unui model Incremental

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

Generarea predicțiilor

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])

Să exersăm!

Programare paralelă cu Dask în Python