交叉验证
交叉验证¶
关于交叉验证的更全面讨论，请参阅 scikit-learn 交叉验证文档。本文档仅描述了为支持 Dask 数组而进行的扩展。
分割一个或多个 Dask 数组的最简单方法是使用 dask_ml.model_selection.train_test_split()
In [1]: import dask.array as da
In [2]: from dask_ml.datasets import make_regression
In [3]: from dask_ml.model_selection import train_test_split
In [4]: X, y = make_regression(n_samples=125, n_features=4, random_state=0, chunks=50)
In [5]: X
Out[5]: dask.array<normal, shape=(125, 4), dtype=float64, chunksize=(50, 4), chunktype=numpy.ndarray>
分割 Dask 数组的接口与 scikit-learn 的版本相同。
In [6]: X_train, X_test, y_train, y_test = train_test_split(X, y)
In [7]: X_train # A dask Array
Out[7]: dask.array<concatenate, shape=(112, 4), dtype=float64, chunksize=(45, 4), chunktype=numpy.ndarray>
In [8]: X_train.compute()[:3]
Out[8]:
array([[ 0.72278447, 1.44812909, -0.48500419, -0.13090068],
[-0.10656729, -0.19912227, -1.29342938, 0.67371525],
[-1.05879148, -0.89722898, 0.96089406, -0.97585992]])
虽然可以将 dask 数组传递给 sklearn.model_selection.train_test_split()，但出于性能考虑，我们建议使用 Dask 版本：Dask 版本更快，原因有二
首先，Dask 版本按块进行混洗。在分布式环境中，块之间的混洗可能需要在机器之间传输大量数据，这可能会很慢。但是，如果您的数据中存在强烈的模式，您将需要执行完全混洗。
其次，Dask 版本避免分配大的中间 NumPy 数组来存储切片索引。对于非常大的数据集，创建和传输 np.arange(n_samples) 可能非常耗时。