无需交叉验证的基于MPI的sklearn函数并行化方案咨询

• 手动实现特征维度并行的LASSO坐标下降算法
  sklearn原生Lasso类采用的坐标下降算法本身支持按特征维度拆分计算，你可以基于mpi4py自行实现并行逻辑：主节点保存完整的时间序列数据集，不拆分样本维度保证时序完整性，每轮迭代时将当前权重向量分发到所有工作节点，每个节点负责计算部分特征的坐标下降更新值，迭代完成后全节点同步最新权重和损失值，直到模型收敛。该方案完全不需要交叉验证分块，完全适配你的使用场景。
• 超参数调优场景的无交叉验证并行方案
  如果你需要做LASSO正则系数α的调优但不使用交叉验证，可直接按超参数维度做并行拆分：每个MPI节点负责一个α取值的全量数据集训练，全程使用完整时间序列做训练和效果校验，不需要拆分数据集，主节点最后汇总所有节点的训练结果选取最优超参数即可。
• 低改造成本替代方案
  如果不想自行修改底层算法，可直接使用支持MPI并行的稀疏线性模型训练库，这类库的LASSO实现默认支持多节点数据并行，且接口兼容sklearn的调用规范，无需调整现有数据处理逻辑即可直接对接你的时间序列数据集。

内容的提问来源于stack exchange，提问作者mjoudy