为什么 scikit-learn SVM 分类器交叉验证这么慢？

Question

我正在尝试比较我拥有的数据集上的多个分类器。为了获得分类器的准确准确度分数，我现在对每个分类器执行 10 折交叉验证。除了 SVM（线性核和 rbf 核）之外，这对它们都适用。数据加载如下：

dataset = pd.read_csv("data/distance_annotated_indels.txt", delimiter="\t", header=None)

X = dataset.iloc[:, [5,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26]].values
y = dataset.iloc[:, 4].values

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

例如随机森林的交叉验证工作正常：

start = time.time()
classifier = RandomForestClassifier(n_estimators = 100, criterion = 'entropy')
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
cv = ShuffleSplit(n_splits=10, test_size=0.2)
scores = cross_val_score(classifier, X, y, cv=10)
print(classification_report(y_test, y_pred))
print("Random Forest accuracy after 10 fold CV: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2) + ", " + str(round(time.time() - start, 3)) + "s")

输出：

             precision    recall  f1-score   support

          0       0.97      0.95      0.96      3427
          1       0.95      0.97      0.96      3417

avg / total       0.96      0.96      0.96      6844

Random Forest accuracy after 10 fold CV: 0.92 (+/- 0.06), 90.842s

但是对于 SVM，这个过程需要很长时间（等了 2 个小时，仍然没有）。 sklearn 网站并没有让我变得更聪明。对于 SVM 分类器，我应该做些什么不同的事情吗？ SVM代码如下：

start = time.time()
classifier = SVC(kernel = 'linear')
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
scores = cross_val_score(classifier, X, y, cv=10)
print(classification_report(y_test, y_pred))
print("Linear SVM accuracy after 10 fold CV: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2) + ", " + str(round(time.time() - start, 3)) + "s")

Answer 1

如果您有很多样本，问题的计算复杂性就会受到影响，请参阅 Training complexity of Linear SVM。

考虑使用 cross_val_score 的 verbose 标志来查看更多关于进度的日志。此外，将 n_jobs 设置为 > 1 的值（或者甚至使用所有将 n_jobs 设置为 -1 的 CPU，如果内存允许），您可以通过并行化加速计算。 http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_score.html 可用于评估这些选项。

如果性能不佳，我会考虑降低 cv 的值（有关此的讨论，请参阅 https://stats.stackexchange.com/questions/27730/choice-of-k-in-k-fold-cross-validation）

Answer 2

也可以通过改变max_iter来控制时间。如果它设置为 -1，它可以根据解决方案 space 永远持续下去。设置一些整数值，比如 10000 作为停止条件。

Answer 3

或者您可以尝试使用优化的 SVM 实现 - 例如 scikit-learn-intelex - https://github.com/intel/scikit-learn-intelex

首先安装包

pip install scikit-learn-intelex

然后在你的python脚本中添加

from sklearnex import patch_sklearn
patch_sklearn()

为什么 scikit-learn SVM 分类器交叉验证这么慢？

Why is scikit-learn SVM classifier cross validation so slow?

machine-learning

svm

scikit-learn

cross-validation