Интеграция линейной регрессии в стек-приложение MERN: Python или JavaScript? [закрыто] ⇐ Python

[Гость]

Я разработал панель администратора ресторана с использованием стека MERN (MongoDB, Express.js, React, Node.js) и теперь хочу реализовать линейную регрессию для прогнозирования продаж или прогнозирования потока клиентов на основе исторических данных. Серверная часть полностью выполнена на Node.js, но для части линейной регрессии я рассматриваю Python из-за его обширных библиотек и поддержки науки о данных (например, NumPy, pandas и scikit-learn).
Моя дилемма заключается в том, стоит ли придерживаться JavaScript/Node.js, чтобы обеспечить согласованность стека, или добавить Python, поскольку он обладает превосходными возможностями машинного обучения. Меня беспокоит потенциальная сложность интеграции Python с существующим бэкэндом Node.js и то, как управлять связью между ними, если я выберу этот путь. С другой стороны, я также рассматриваю производительность и простоту реализации, которые библиотеки Python могут предложить для задач линейной регрессии.
Я был бы признателен за информацию по следующим вопросам:

[*]Возможность и лучшие практики интеграции Python для линейной регрессии в приложение стека MERN.
[*]Потенциальные проблемы и решения в управлении связью между Node. js и Python, если я пойду по этому пути.
[*]Рекомендации по библиотекам JavaScript, которые могли бы эффективно обрабатывать линейную регрессию, если желательно оставаться в экосистеме JS.

В конечном итоге я ищу рекомендации по оптимальному пути внедрения линейной регрессии в мой проект, взвешивая плюсы и минусы Python и JavaScript для этого конкретного случая использования.
Сначала я изучал возможность реализации линейной регрессии непосредственно в Node.js, надеясь сохранить согласованный стек технологий. Я экспериментировал с несколькими библиотеками JavaScript, такими как simple-statistics для основных статистических операций и mljs для задач, более ориентированных на машинное обучение, ожидая, что они предложат простой способ применения моделей линейной регрессии к моему набору данных.
< br />
На основе этих библиотек мне удалось реализовать базовую модель линейной регрессии в Node.js. Я ожидал, что этот подход не только достаточен для необходимой мне точности прогнозирования, но также позволит упростить развертывание и обслуживание приложений за счет отсутствия межъязыковой интеграции.
Однако результаты оказались неоднозначными. Хотя мне удалось разработать и запустить модель линейной регрессии, я столкнулся с двумя основными проблемами:

[*]
Производительность и масштабируемость. Решение на JavaScript работало для небольших наборов данных, но когда я попытался увеличить размер данных, чтобы более точно отразить реальный сценарий использования панели администратора ресторана, производительность не оправдала моих ожиданий. Время обработки оказалось дольше, чем ожидалось, и я начал беспокоиться о масштабируемости этого решения.

[*]
Набор функций и простота использования: хотя Библиотеки, которые я использовал, предоставляли базовую функциональность для линейной регрессии, я обнаружил, что им не хватает широты возможностей и простоты расширенного статистического анализа по сравнению с тем, что, как я знал, было доступно в экосистеме Python (например, scikit-learn). Например, мне нужны были более сложные способы подбора, диагностики и проверки модели для повышения точности прогнозов, которые казались более доступными в библиотеках Python.


Этот опыт побудил меня рассмотреть Python как альтернативу для реализации части моего проекта, связанной с линейной регрессией, несмотря на мое первоначальное намерение сохранить все в среде Node.js. Ожидалось, что здесь будет не только повышение производительности и масштабируемости, но и доступ к более богатому набору инструментов для анализа данных и машинного обучения, которые позволят повысить функциональность и точность прогнозов в панели администратора моего ресторана.


Источник: https://stackoverflow.com/questions/781 ... javascript