我正在使用 scikit-learn SVC 对一些数据进行分类。我想提高训练效果。
clf = svm.SVC(cache_size=4000, probability=True, verbose=True)
由于 sckikit-learn 与 libsvm 接口(interface)，而 libsvm 使用 OpenMp，我希望:
export OMP_NUM_THREADS=16
将在多个内核上运行。 不幸的是，这没有帮助。
有什么想法吗？
谢谢
最佳答案
scikit-learn 中 libsvm 的当前绑定(bind)不支持 OpenMP。但是，如果您在使用 sklearn.svm.SVC 时遇到性能问题，您很可能应该改用更具可扩展性的模型。
如果您的数据是高维数据，它可能是线性可分的。在这种情况下，建议首先尝试更简单的模型，例如众所周知的训练速度非常快的朴素贝叶斯模型或 sklearn.linear_model.Perceptron。您还可以尝试使用 liblinear 实现的 sklearn.linear_model.LogisticRegression 和 sklearn.svm.LinearSVC 比 libsvm< 更具可扩展性 尽管内存效率低于 scikit-learn 中的其他线性模型。
如果您的数据不是线性可分的，您可以尝试 sklearn.ensemble.ExtraTreesClassifier(调整 n_estimators 参数以权衡训练速度与预测准确性)。
或者，您可以尝试使用 scikit-learn 的 RBFSampler 转换器来近似 RBF 核 + 在输出上拟合线性模型:
http://scikit-learn.org/dev/modules/kernel_approximation.html
关于python - scikit-learn OpenMP libsvm，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/13273738/