在上一個(gè)教程中，我們已經(jīng)理解了分布式計(jì)算的概念和 Dask 簡(jiǎn)介。除了 Dask 接口的介紹，我們還了解了什么是 Dask 集群以及如何安裝 Dask。

桌面界面

正如我們已經(jīng)討論過(guò)的，Dask 接口有多種用于分布式計(jì)算的并行算法集。數(shù)據(jù)科學(xué)從業(yè)者很少使用基本的用戶界面來(lái)擴(kuò)展 NumPy、Pandas 和 scikit-learn:

陣列:并行 NumPy

數(shù)據(jù)幀:平行 Pandas

機(jī)器學(xué)習(xí):并行 Scikit-Learn

我們已經(jīng)在前面的教程中介紹了 Dask Array 讓我們直接進(jìn)入 Dask 數(shù)據(jù)幀。

搜索簡(jiǎn)歷

【超參數(shù)調(diào)整】 被認(rèn)為是建立模型的重要一步，可以極大地改變模型的實(shí)現(xiàn)。機(jī)器學(xué)習(xí)模型有各種各樣的超參數(shù)，很難理解哪個(gè)參數(shù)在特定情況下表現(xiàn)更好。手動(dòng)執(zhí)行這項(xiàng)任務(wù)是相當(dāng)令人厭煩的工作。然而，Scikit-Learn 庫(kù)提供了網(wǎng)格搜索，以簡(jiǎn)化超參數(shù)調(diào)整的任務(wù)。用戶必須提供參數(shù)， Gridsearch 將提供這些參數(shù)的最佳組合。

讓我們考慮一個(gè)例子，在這個(gè)例子中，我們需要選擇一種隨機(jī)森林技術(shù)來(lái)適應(yīng)數(shù)據(jù)集。該模型有三個(gè)重要的可調(diào)參數(shù)——第一參數(shù)、第二參數(shù)和第三參數(shù)。

現(xiàn)在，讓我們?cè)谙旅嬖O(shè)置這些參數(shù)的值:

第一個(gè)參數(shù)-自舉=真

第二參數(shù)-最大深度- [8，9]

第三參數(shù)-n _ 估計(jì)量:[50，100，200]

1。sklearn Gridsearch: 對(duì)于每一個(gè)參數(shù)組合，Scikit-learn Gridsearch 都會(huì)執(zhí)行任務(wù)，有時(shí)最終會(huì)多次迭代單個(gè)任務(wù)。下圖表明，這并不是最有效的方法:

2。Dask-Search CV: 與 sklearn 的grid Search CV不同，Dask 提供了一個(gè)名為 Dask-Search CV 的庫(kù)。為了減少重復(fù)，Dask-Search CV 合并了這些步驟。我們可以通過(guò)以下步驟安裝 Dask-search :

使用 conda 安裝 Dask-搜索 CV

conda install dask-searchcv -c conda-forge

使用 pip 安裝 Dask-搜索 CV

$ pip install dask-searchcv

下圖展示了 Dask-Search CV 的工作原理:

Spark 和 Dask 的區(qū)別

以下是 Spark 和 Dask 的一個(gè)關(guān)鍵區(qū)別:

| 南號(hào)碼 | 火花 | 達(dá)斯克 | | one | Spark 是用 Scala 編程語(yǔ)言編寫(xiě)的。 | Dask 是用 Python 編程語(yǔ)言編寫(xiě)的。 | | Two | Spark 提供對(duì) R 和 Python 的支持。 | Dask 只支持 Python。 | | three | Spark 提供了自己的生態(tài)系統(tǒng)。 | Dask 是 Python 生態(tài)系統(tǒng)的組成部分之一。 | | four | Spark 提供了自己的 API。 | Dask 重新利用 Pandas 的 API | | five | 對(duì)于 Scala 和 SQL 用戶來(lái)說(shuō)，Spark 很容易理解和實(shí)現(xiàn)。 | Python 從業(yè)者通常更喜歡 Dask。 | | six | Spark 本身不支持多維數(shù)組。 | Dask 為可擴(kuò)展多維陣列的 NumPy 模型提供全面支持。 |