GridSearchCV 优化速度减慢
GridSeachCV optimization slowing down
我正在通过具有并行化 n_jobs=-1 的 GridSearchCV 进行 SVR 和 SVC 优化，在我的例子中是 8，我的问题是为什么第一个适合 运行 与最后适合吗？正如照片中所示，10212 次拟合耗时 23.7 秒，但全部拟合次数 106764 需要 20.7 分钟，如果采用线性外推法，则应为 4.2 分钟。
这里是代码示例：
opt = GridSearchCV(SVR(tol=tol),param_grid=param_grid,scoring=scoring,n_jobs=n_jobs,cv=cv,verbose=verbose)
opt.fit(allr_sets_nor[:,:2],allr_sets_nor[:,2])
这是屏幕日志：
Support-Vector-Machine 学习高度依赖于给定的参数。
C 等参数对 support-vectors 的数量有影响，因此具有许多 support-vectors 的实例（由 C 间接控制）的训练速度要慢得多。
这是 GridSearches 的基本警告。
（另一个更完整的 here by user lejlot）
learning-algorithms 也基于启发式算法，它为此添加了一些额外的 hardly-predictable 因素。
我正在通过具有并行化 n_jobs=-1 的 GridSearchCV 进行 SVR 和 SVC 优化，在我的例子中是 8，我的问题是为什么第一个适合 运行 与最后适合吗？正如照片中所示，10212 次拟合耗时 23.7 秒，但全部拟合次数 106764 需要 20.7 分钟，如果采用线性外推法，则应为 4.2 分钟。
这里是代码示例：
opt = GridSearchCV(SVR(tol=tol),param_grid=param_grid,scoring=scoring,n_jobs=n_jobs,cv=cv,verbose=verbose)
opt.fit(allr_sets_nor[:,:2],allr_sets_nor[:,2])
这是屏幕日志：
Support-Vector-Machine 学习高度依赖于给定的参数。
C 等参数对 support-vectors 的数量有影响，因此具有许多 support-vectors 的实例（由 C 间接控制）的训练速度要慢得多。
这是 GridSearches 的基本警告。
（另一个更完整的 here by user lejlot）
learning-algorithms 也基于启发式算法，它为此添加了一些额外的 hardly-predictable 因素。