个人中心
文章发布
退出
作者热门文章
- html - 出于某种原因，IE8 对我的 Sass 文件中继承的 html5 CSS 不友好？
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景？
32
4
Scikit-Learn's RandomForestRegressor有一个 n_jobs 实例属性，来自文档:
n_jobs : integer, optional (default=1)
The number of jobs to run in parallel for both fit and predict. If
-1, then the number of jobs is set to the number of cores.
用一个以上的核心训练随机森林模型显然比在一个单一的核心上有更高的性能。但我注意到预测要慢很多(大约慢 10 倍)——这可能是因为我在逐个观察的基础上使用 .predict()。
因此，我想在 4 个核心上训练随机森林模型，但在单个核心上运行预测。 (模型为 pickled，并在单独的过程中使用。)
是否可以用这种方式配置 RandomForestRegressor()？
最佳答案
当然可以，我对存储模型使用了类似的策略。
只需设置<_aRFRegressorModel_>.n_jobs = 1在 pickle.load() 之后-ed，在使用 .predict() 之前方法。
注意事项:.predict() 的工作量-与 .fit() 相比，任务相当“轻量级” ，所以有疑问，调整它的核心动机是什么。内存可能是问题所在，一旦大规模森林可能需要在 n_jobs 中进行扫描-“许多”副本(由于 joblib 性质将所有 python 进程状态重新设置为那么多完整副本......和 new, overhead-strict Amdahl's Law re-fomulation shows 一个，多么糟糕的主意那就是——付出比最终赚取的更多的钱(从绩效上看))。这不是 .fit() 的问题，其中并发进程可以很好地调整设置开销(在我的模型中，每个进程的运行时间约为 4:00:00+ 小时)，但由于这种成本/ yield “不平衡”，它可能是“轻量级”的 killer 级因素- .predict() ，其中没有太多工作要做，因此无法掩盖流程设置/终止成本(而且您付出的远比得到的多)。
顺便说一句，你pickle.dump()来自顶级命名空间的对象？如果没有，我会遇到问题，并且存储的对象没有正确重建。 (在这个问题上花了很长时间)
关于scikit-learn - 对于 Scikit-Learn 的 RandomForestRegressor，我可以为预测指定不同的 n_jobs 吗？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48034546/
32
4
0
来自文档: sklearn.preprocessing.MinMaxScaler.min_ : ndarray, shape (n_features,) Per feature adjustment
这是我的数据:(我重置了索引。日期应该是索引) Date A B C D 0 2013-10-07 -0.002
我正在构建一个分类器，通过贷款俱乐部数据，选择最好的 X 笔贷款。我训练了一个随机森林，并创建了通常的 ROC 曲线、混淆矩阵等。 混淆矩阵将分类器的预测(森林中树木的多数预测)作为参数。但是，我希望
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析？ 最佳答案 不，没有。部分分类器提供 class_weight和 sample_
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到，要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知，这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？ 当我查看一些决策树 python 脚本时，它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？ 当我查看一些决策树 python 脚本时，它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条？ 是否可以包含自定义的类似 Pyprind 的内容？ ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型，并且我想使用“一个标准错误”规则来选择最佳模型，即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我有一个预定义的决策树，它是根据基于知识的拆分构建的，我想用它来进行预测。我可以尝试从头开始实现决策树分类器，但那样我就无法在 Scikit 函数中使用 predict 等内置函数。有没有办法将我的树
我正在使用随机森林解决分类问题。为此，我决定使用 Python 库 scikit-learn。但我对随机森林算法和这个工具都很陌生。我的数据包含许多因子变量。我用谷歌搜索，发现像我们在线性回归中所做的
我使用 Keras 回归器对数据进行回归拟合。我使用 Scikit-learn wrapper 和 Pipeline 来首先标准化数据，然后将其拟合到 Keras 回归器上。有点像这样: from s
在 scikit-learn ，有一个 的概念评分函数 .如果我们有一些预测标签和真实标签，我们可以通过调用 scoring(y_true, y_predict) 来获得分数。 .这种评分函数的一个例
我知道 train_test_split 方法将数据集拆分为随机训练和测试子集。并且使用 random_state=int 可以确保每次调用该方法时我们对该数据集都有相同的拆分。 我的问题略有不同。
我正在使用 scikit-learn 0.18.dev0。我知道之前有人问过完全相同的问题 here .我尝试了那里提供的答案，但出现以下错误 >>> def mydist(x, y): ...
我试图在 scikit-learn 中结合递归特征消除和网格搜索。正如您从下面的代码(有效)中看到的那样，我能够从网格搜索中获得最佳估计量，然后将该估计量传递给 RFECV。但是，我宁愿先进行 RFE
我是一名优秀的程序员,十分优秀！