Dask-ML是基于Dask任务图重新实现的scikit-learn兼容库，需用dask.array/dask.dataframe输入并调用dask_ml.ensemble等专用类才能触发分布式训练；直接对dask.DataFrame调用sklearn.fit会报错或退化为单机执行。
Dask-ML 不是 scikit-learn 的插件，也不是简单加个 n_jobs=-1 就能跑起来的替代品。它是一套重新实现的、与 scikit-learn API 兼容但底层完全基于 Dask 任务图的机器学习工具——只有当你用 dask.dataframe 或 dask.array 构建输入数据，并调用 dask_ml.ensemble.RandomForestClassifier 这类专用类时，才真正触发分布式训练。
为什么直接把 sklearn 模型套在 dask.DataFrame 上会报错
常见错误现象：ValueError: Expected 2D array, got 1D array instead 或直接 MemoryError；更隐蔽的是模型看似训练成功，但实际只用了单块数据（第一分区）做拟合，其余被忽略。
根本原因在于：sklearn 所有 .fit() 方法都要求输入是内存中完整的 numpy.ndarray 或 pandas.DataFrame。而 dask.DataFrame 是惰性对象，ddf.compute() 才真加载进内存——这一步就又回到单机瓶颈了。
所以不能这么写：
立即学习“Python免费学习笔记（深入）”；
from sklearn.ensemble import RandomForestClassifier model = RandomForestClassifier() model.fit(ddf[features].compute(), ddf[target].compute()) # ❌ 退化为单机+OOM风险
正确路径是全程使用 dask_ml 提供的类，它们内部会自动切分、调度、聚合：
- 确保安装带 ML 支持的 Dask：
pip install "dask[dataframe,ml]" - 输入必须是
dask.array或dask.dataframe（不能是compute()后的结果） - 特征列需显式转为
dask.array：用ddf[features].to_dask_array(lengths=True)，否则dask_ml无法推断分区形状
dask_ml.ensemble 和 sklearn.ensemble 的关键参数差异
dask_ml.ensemble.RandomForestClassifier 看似和 sklearn 版本同名，但行为完全不同：
-
n_estimators：仍表示树总数，但训练是并行构建每棵树的子样本（不是多线程开n_jobs） -
max_samples：必须显式设置（如max_samples=1.0），否则默认只用首分区数据 -
sample_weight不支持传入dask.array，目前只能用均匀采样 - 没有
oob_score、class_weight等高级选项——这些在分布式场景下尚未实现或语义模糊
示例（正确启动）：
from dask_ml.ensemble import RandomForestClassifier from dask_ml.preprocessing import StandardScaler <p>X = ddf[features].to_dask_array(lengths=True) # ✅ 必须加 lengths=True y = ddf[target].to_dask_array(lengths=True)</p><p>scaler = StandardScaler() X_scaled = scaler.fit_transform(X)</p><p>model = RandomForestClassifier(n_estimators=50, max_samples=0.8) model.fit(X_scaled, y) # ✅ 此时才真正分布式拟合
训练后预测慢？别忘了 predict 也得走 Dask 流程
很多人训完模型，拿新数据用 model.predict(pandas_df)，结果卡住或报错。因为 dask_ml 模型的 .predict() 方法只接受 dask.array 输入，且返回仍是惰性对象。
- 预测前务必把新数据也转成
dask.array：X_new = dd.from_pandas(df_new, npartitions=4).to_dask_array(lengths=True) - 预测结果需要
.compute()才得到 numpy 数组：y_pred = model.predict(X_new).compute() - 如果只是要概率，用
model.predict_proba(X_new).compute()，但注意：不是所有dask_ml分类器都支持该方法（比如LogisticRegression支持，RandomForestClassifier当前不支持）
容易被忽略的资源协调点：Client 和集群配置
dask_ml 默认使用本地线程调度器，但性能远不如 distributed 客户端。不显式启动 Client，你等于只用了单进程，还多了序列化开销。
- 启动客户端时建议指定
n_workers和memory_limit，例如：Client(n_workers=8, memory_limit='6GB') - 避免在 Jupyter 中反复创建
Client：每次新建会占用端口，旧实例可能残留；推荐加dashboard_address=':8787'并手动访问监控页 -
dask_ml的超参搜索（HyperbandSearchCV）极度依赖Client，没它就退化为串行扫描
最易踩的坑是：以为模型“跑起来了”，其实所有计算都在主线程里排队执行，CPU 利用率始终低于 20%——打开 http://localhost:8787 看任务流图，如果只有单条长线，说明根本没有并行。
