Використання Dask для тренування лінійної моделі

Dask дає змогу тренувати моделі машинного навчання на наборах даних, які не вміщуються в пам'яті, і дозволяє розподіляти завантаження даних, попередню обробку та навчання між кількома потоками, процесами й навіть між кількома комп'ютерами.

Ваше завдання — натренувати модель машинного навчання, яка передбачатиме популярність пісень у наборі даних Spotify, що ви використовували в попередніх розділах. Дані вже завантажено як «ледачі» датафрейми Dask. Вхідні змінні доступні як dask_X і містять кілька числових стовпців, зокрема темп пісні та «танцювальність». Цільові значення доступні як dask_y і відображають бал популярності кожної пісні.

Ця вправа є частиною курсу

Паралельне програмування з Dask у Python

Переглянути курс

Інструкції до вправи

Імпортуйте клас SGDRegressor з sklearn.linear_model і клас Incremental з dask_ml.wrappers.
Створіть лінійну регресійну модель SGDRegressor.
Скористайтеся класом Incremental, щоб обгорнути модель для навчання на наборі даних Dask, і встановіть параметр scoring у значення 'neg_mean_squared_error'.
Натренуйте обгорнену модель, виконавши лише один прохід по даних.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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.____

Редагувати та запускати код