使用dask BlockwisevottingRegressor报to_delayed属性不存在错误

使用scikit-learn提供的RandomForest模型，搭配dask库的BlockwiseVotingRegressor开展建模工作，相关实现代码、运行报错信息见对应截图：
建模实现代码截图
运行报错详情截图
运行时抛出异常：'DataFrame' object has no attribute 'to_delayed'

• 核心触发逻辑：BlockwiseVotingRegressor是dask-ml提供的分布式集成估计器，训练流程中会调用输入数据集的.to_delayed()方法生成分块延迟任务做分布式调度，pandas原生DataFrame/Series对象没有实现该方法，只有dask自定义的DataFrame/Array等分布式集合对象才带有这个接口，直接传入pandas对象就会触发该属性不存在的报错。
• 其他可能诱因：
  • 类名拼写错误：代码中写的BlockwisevottingRegressor类名存在拼写偏差，正确类名为BlockwiseVotingRegressor，拼写错误可能导致导入了非官方/错误的实现类，触发异常分支逻辑。
  • 依赖版本不兼容：已传入dask DataFrame仍报错时，一般是dask和dask-ml版本差过大，低版本dask的DataFrame未实现to_delayed接口。

• 第一步：修正导入语句的类名拼写，从dask-ml正确模块导入估计器

  # 错误导入（拼写错误）
  # from dask_ml.ensemble import BlockwisevottingRegressor
  # 正确导入
  from dask_ml.ensemble import BlockwiseVotingRegressor
  from sklearn.ensemble import RandomForestRegressor
  

• 第二步：将原生pandas格式的训练数据转换为dask分块数据集，再传入模型训练

  import dask.dataframe as dd
  
  # 假设X、y为原始pandas格式的特征、标签数据
  # npartitions根据机器CPU核心数、可用内存调整，一般单分区大小控制在100MB-1GB为宜
  X_train = dd.from_pandas(X, npartitions=4)
  y_train = dd.from_pandas(y, npartitions=4)
  
  # 初始化模型并完成训练
  rf = RandomForestRegressor(n_estimators=100, random_state=42)
  model = BlockwiseVotingRegressor(estimator=rf)
  model.fit(X_train, y_train)
  

• 第三步：如果传入的已经是dask数据集仍报该错，直接升级dask、dask-ml到兼容的最新版本即可

  pip install --upgrade dask dask-ml
  

补充提示：如果你的数据集规模不大，不需要分布式计算能力，直接使用scikit-learn原生的VotingRegressor即可，无需调用dask-ml的分布式实现，也能避免这类数据格式适配问题。

内容的提问来源于stack exchange，提问作者XGB