我正在实现 SVR使用 sklearn python 中的 svr 包。我的稀疏矩阵大小为 146860 x 10202。我将它分成大小为 2500 x 10202 的各种子矩阵。对于每个子矩阵，SVR 拟合大约需要 10 分钟。 有什么方法可以加快这个过程？请为此建议任何不同的方法或不同的 python 包。 谢谢!
最佳答案
您可以对 SVR 子模型预测进行平均。
或者，您可以尝试在使用 Nystroem method 计算的核扩展输出上拟合线性回归模型.
或者您可以尝试其他非线性回归模型，例如随机树集成或梯度提升回归树。
编辑:我忘了说:内核 SVR 模型本身不可扩展，因为它的复杂性超过二次方，因此没有办法“加速它”。
编辑 2:实际上，通常将输入变量缩放到 [0, 1] 或 [-1, 1] 或单位使用 StandardScaler 的方差可以大大加快收敛速度。
此外，默认参数不太可能产生良好的结果:您必须网格搜索 gamma 的最佳值，也许还需要对 epsilon 的子样本进行网格搜索在适合大型模型之前增加尺寸(以检查最佳参数的稳定性)。
关于python - 如何加速sklearn SVR？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/15582669/