performance - 预测速度慢: Scikit Gaussian Process classification

Question

以下代码用于评估训练高斯过程 (GP) 并用于对 MNIST 数据集中的图像进行分类。

import numpy as np


from sklearn.metrics.classification import accuracy_score, log_loss
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF
from sklearn import datasets
from sklearn.datasets import fetch_mldata

import random

SAMPLE_SIZE = 2000

def build_and_optimize(hp_space):
    build_train()
    return

def build_train(hp_space):
    l_scale = hp_space['l_scale']
    bias = hp_space['bias']
    gp_fix = GaussianProcessClassifier(kernel=bias * RBF(length_scale=l_scale), optimizer=None, multi_class='one_vs_rest')

    X_train, X_test, y_train, y_test = prepare_data()


    gp_fix.fit(X_train, y_train)

    print("Log Marginal Likelihood (initial): %.3f"
        % gp_fix.log_marginal_likelihood(gp_fix.kernel_.theta))


    y_ = gp_fix.predict(X_test[0:500])
    print(y_)
    print(y_test[0:500])
    print("Accuracy: %.3f (initial)"
        % (accuracy_score(y_test[0:500], y_)))

    return


def prepare_data():
    mnist = fetch_mldata('MNIST original', data_home='./')
    mnist.keys()

    images = mnist.data
    targets = mnist.target

    X_data = images/255.0
    Y = targets
   shuf = random.sample(range(len(X_data)), SAMPLE_SIZE)

    X_train = []
    for x in shuf: X_train.append(X_data[x])

    y_train = []
    for x in shuf: y_train.append(Y[x])

    c_shuf = set(range(len(X_data))) - set(shuf)

    X_test = []
    for x in c_shuf: X_test.append(X_data[x])

    y_test = []
    for x in c_shuf: y_test.append(Y[x])

    return X_train, X_test, y_train, y_test

if __name__ == "__main__":
    hp_space = {}
    hp_space['l_scale'] = 1.0
    hp_space['bias'] = 1.0

    build_train(hp_space)

模型的训练似乎需要相当长的时间。然而，预测需要很长时间。有任何指示可能是什么原因吗？

Answer 1

你可以认为高斯过程和支持向量机是有些相似的模型，两者都使用核技巧来构建模型。与 SVM 一样，GP 需要 O(n^3) 时间进行训练，其中 n 是训练集中的数据点数量。因此，您自然应该期望它需要一段时间来训练，并且随着数据集大小的增加它会快速增长。

类似地，GP 预测每次预测需要 O(n) 时间，类似于最近邻搜索和 SVMS。然而，GP 解决方案是密集的，这意味着它使用所有训练点进行预测，而 SVM 是稀疏的，因此它会丢弃一些训练点。