和 StatsModels 集成#

这个指引介绍如何在 Mars 中使用 StatsModels 进行模型训练和预测。

安装#

如果你试图在单机比如你的笔记本上使用 Mars，确保 StatsModels 已经安装。

你可以通过 pip 安装 StatsModels：

pip install statsmodels

访问 StatsModels 安装指引获取更多信息。

另一方面，如果你在集群上使用 Mars，确保 StatsModels 在每个 Worker 上安装。

准备数据#

首先，我们使用 scikit-learn 来加载波士顿房屋数据集。

In [1]: from sklearn.datasets import load_boston
In [2]: boston = load_boston()

接着从数据创建 Mars DataFrame。

In [3]: import mars.dataframe as md
In [4]: data = md.DataFrame(boston.data, columns=boston.feature_names)

查看 DataFrame 前五条数据。

In [5]: data.head().execute()
Out[5]:
      CRIM    ZN  INDUS  CHAS    NOX  ...  RAD    TAX  PTRATIO       B  LSTAT
0  0.00632  18.0   2.31   0.0  0.538  ...  1.0  296.0     15.3  396.90   4.98
1  0.02731   0.0   7.07   0.0  0.469  ...  2.0  242.0     17.8  396.90   9.14
2  0.02729   0.0   7.07   0.0  0.469  ...  2.0  242.0     17.8  392.83   4.03
3  0.03237   0.0   2.18   0.0  0.458  ...  3.0  222.0     18.7  394.63   2.94
4  0.06905   0.0   2.18   0.0  0.458  ...  3.0  222.0     18.7  396.90   5.33

[5 rows x 13 columns]

mars.dataframe.DataFrame.describe() 给出了所有列的统计信息。

In [6]: data.describe().execute()
Out[6]:
             CRIM          ZN       INDUS  ...     PTRATIO           B       LSTAT
count  506.000000  506.000000  506.000000  ...  506.000000  506.000000  506.000000
mean     3.613524   11.363636   11.136779  ...   18.455534  356.674032   12.653063
std      8.601545   23.322453    6.860353  ...    2.164946   91.294864    7.141062
min      0.006320    0.000000    0.460000  ...   12.600000    0.320000    1.730000
25%      0.082045    0.000000    5.190000  ...   17.400000  375.377500    6.950000
50%      0.256510    0.000000    9.690000  ...   19.050000  391.440000   11.360000
75%      3.677083   12.500000   18.100000  ...   20.200000  396.225000   16.955000
max     88.976200  100.000000   27.740000  ...   22.000000  396.900000   37.970000

[8 rows x 13 columns]

我们可以把数据打乱，然后把他们分成训练和测试集。

In [7]: from mars.learn.model_selection import train_test_split
In [8]: X_train, X_test, y_train, y_test = \
   ...:     train_test_split(data, boston.target, train_size=0.7, random_state=0)

训练#

我们可以使用与 StatsModels 提供的分布式估计 API 类似的 API 对数据进行训练。

In [9]: from mars.learn.contrib import statsmodels as msm
In [10]: model = msm.MarsDistributedModel(num_partitions=5)
In [11]: results = model.fit(y_train, X_train, alpha=0.2)
In [12]: results
Out[12]: <mars.learn.contrib.statsmodels.api.MarsResults at 0x7fd47a118f70>

DistributedModel 上使用的参数，例如 model_class, estimation_method 和 join_method 可在创建 MarsDistributedModel 时使用。

预测#

上面的步骤生成的模型可用于预测：

In [13]: results.predict(X_test)
Out[13]:
  20.475695
  20.792441
  23.158081
   19.912593
  14.290641
         ...
   24.798897
  22.196336
   23.714524
  19.824247
  22.138279
Length: 152, dtype: float64

分布式训练和预测#

部署参考在集群中部署部分，在 Kubernetes 上运行参考在 Kubernetes 中部署部分。

一旦一个集群存在，你可以要么设置默认 session，训练和预测就会自动提交到集群，要么你可以通过 session=*** 显示指定运行的 session。

以 MarsDistributedModel.fit() 为例。

# A cluster has been configured, and web UI is started on <web_ip>:<web_port>
import mars
# set the session as the default one
sess = mars.new_session('http://<web_ip>:<web_port>')

# specify partition number
model = msm.MarsDistributedModel(num_partitions=5)
# or specify factor for cluster size,
# num_partitions will be int(factor * num_cores)
model = msm.MarsDistributedModel(factor=1.2)

# fitting will submitted to cluster by default
results = model.fit(y_train, X_train, alpha=1.2)

# Or, session could be specified as well
results = model.fit(y_train, X_train, alpha=1.2, session=sess)