Trenowanie modelu liniowego za pomocą Dask
Dask umożliwia trenowanie modeli uczenia maszynowego na zbiorach danych zbyt dużych, by zmieścić się w pamięci. Pozwala też rozłożyć ładowanie danych, przetwarzanie wstępne i trenowanie na wiele wątków, procesów, a nawet wielu komputerów.
Twoim zadaniem jest wytrenowanie modelu uczenia maszynowego, który będzie przewidywał popularność utworów w zbiorze danych Spotify używanym w poprzednich rozdziałach. Dane zostały już wczytane jako leniwe ramki danych Dask. Zmienne wejściowe są dostępne jako dask_X i zawierają kilka kolumn liczbowych, takich jak tempo i taneczność utworu. Wartości docelowe są dostępne jako dask_y i odpowiadają ocenie popularności każdego utworu.
To ćwiczenie jest częścią kursu
Programowanie równoległe z Dask w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj klasę
SGDRegressorzsklearn.linear_modeloraz klasęIncrementalzdask_ml.wrappers. - Utwórz model regresji liniowej
SGDRegressor. - Użyj klasy
Incremental, aby opakować model tak, by można go było trenować na zbiorze danych Dask, i ustaw parametrscoringna'neg_mean_squared_error'. - Dopasuj opakowany model, wykonując tylko jedną pętlę przez dane.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the SGDRegressor and the Incremental wrapper
from ____ import ____
from ____ import ____
# Create a SGDRegressor model
model = ____
# Wrap the model so that it works with Dask
dask_model = ____
# Fit the wrapped model
dask_model.____