广义线性模型
内容
实时笔记本
您可以在 live session 
中运行此笔记本，或查看 Github 上的内容。
广义线性模型¶
本笔记本介绍了 Dask-GLM 中用于 广义线性模型 的算法。
启动 Dask 客户端以使用仪表板¶
启动 Dask 客户端是可选的。它将提供一个仪表板，这对于深入了解计算非常有用。
当你在下方创建客户端后，仪表板的链接将会变得可见。我们建议在使用笔记本的另一侧屏幕上打开它。虽然安排窗口可能需要一些努力，但在学习时同时看到两者非常有用。
[ ]:
from dask.distributed import Client, progress
client = Client(processes=False, threads_per_worker=4,
n_workers=1, memory_limit='2GB')
client
生成一个随机数据集¶
[ ]:
from dask_glm.datasets import make_regression
X, y = make_regression(n_samples=200000, n_features=100, n_informative=5, chunksize=10000)
X
[ ]:
import dask
X, y = dask.persist(X, y)
使用GLM算法求解¶
如果在执行过程中可用，我们还建议查看“图形”仪表板
[ ]:
import dask_glm.algorithms
b = dask_glm.algorithms.admm(X, y, max_iter=5)
使用差异 GLM 算法求解¶
[ ]:
b = dask_glm.algorithms.proximal_grad(X, y, max_iter=5)
可使用不同的族和正则化器进行定制¶
Dask-GLM 项目模块化良好，允许使用不同的 GLM 族和正则化器，包括实现自定义正则化器的相对直接的接口。
[ ]:
import dask_glm.families
import dask_glm.regularizers
family = dask_glm.families.Poisson()
regularizer = dask_glm.regularizers.ElasticNet()
b = dask_glm.algorithms.proximal_grad(
X, y,
max_iter=5,
family=family,
regularizer=regularizer,
)
[ ]:
dask_glm.families.Poisson??
[ ]:
dask_glm.regularizers.ElasticNet??