معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Interactions between Dask and XGBoost

ویژگی	مقدار
سیستم عامل	-
نام فایل	dask-xgboost-0.2.0
نام	dask-xgboost
نسخه کتابخانه	0.2.0
نگهدارنده	['Matthew Rocklin']
ایمیل نگهدارنده	['mrocklin@continuum.io']
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/dask/dask-xgboost
آدرس اینترنتی	https://pypi.org/project/dask-xgboost/
مجوز	BSD

Dask-XGBoost ============ .. warning:: Dask-XGBoost has been deprecated and is no longer maintained. The functionality of this project has been included directly in XGBoost. To use Dask and XGBoost together, please use ``xgboost.dask`` instead https://xgboost.readthedocs.io/en/latest/tutorials/dask.html. Distributed training with XGBoost and Dask.distributed This repository offers a legacy option to perform distributed training with XGBoost on Dask.array and Dask.dataframe collections. :: pip install dask-xgboost Please note that XGBoost now includes a Dask API as part of its official Python package. That API is independent of `dask-xgboost` and is now the recommended way to use Dask adn XGBoost together. See `the xgb.dask documentation here https://xgboost.readthedocs.io/en/latest/tutorials/dask.html` for more details on the new API. Example ------- .. code-block:: python from dask.distributed import Client client = Client('scheduler-address:8786') # connect to cluster import dask.dataframe as dd df = dd.read_csv('...') # use dask.dataframe to load and df_train = ... # preprocess data labels_train = ... import dask_xgboost as dxgb params = {'objective': 'binary:logistic', ...} # use normal xgboost params bst = dxgb.train(client, params, df_train, labels_train) >>> bst # Get back normal XGBoost result <xgboost.core.Booster at ... > predictions = dxgb.predict(client, bst, data_test) How this works -------------- For more information on using Dask.dataframe for preprocessing see the `Dask.dataframe documentation <http://dask.pydata.org/en/latest/dataframe.html>`_. Once you have created suitable data and labels we are ready for distributed training with XGBoost. Every Dask worker sets up an XGBoost slave and gives them enough information to find each other. Then Dask workers hand their in-memory Pandas dataframes to XGBoost (one Dask dataframe is just many Pandas dataframes spread around the memory of many machines). XGBoost handles distributed training on its own without Dask interference. XGBoost then hands back a single ``xgboost.Booster`` result object. Larger Example -------------- For a more serious example see - `This blogpost <http://matthewrocklin.com/blog/work/2017/03/28/dask-xgboost>`_ - `This notebook <https://gist.github.com/mrocklin/19c89d78e34437e061876a9872f4d2df>`_ - `This screencast <https://youtu.be/Cc4E-PdDSro>`_ History ------- Conversation during development happened at `dmlc/xgboost #2032 <https://github.com/dmlc/xgboost/issues/2032>`_

نیازمندی

مقدار	نام
<=0.90	xgboost
-	dask
>=1.15.2	distributed
-	sparse
-	scipy

نحوه نصب

نصب پکیج whl dask-xgboost-0.2.0:

pip install dask-xgboost-0.2.0.whl

نصب پکیج tar.gz dask-xgboost-0.2.0:

pip install dask-xgboost-0.2.0.tar.gz