我正在尝试从naiveBayes
包R
运行e1071
分类器。我遇到的问题是,预测所花费的时间比训练所花费的时间长了约300倍。
我想知道是否有其他人观察过这种行为,如果有的话,是否有任何关于如何改进它的建议。
此问题仅在某些情况下出现。下面,我有一些代码可以训练和预测Iris数据集上的NB分类器。在这里,训练和预测时间非常接近(预测需要长10倍而不是300倍)。我在网上找到的这个问题的唯一其他痕迹是here。在这种情况下,答案是确保将分类变量格式化为因子。我已经这样做了,但仍然没有看到任何改进。
我使用了样本大小N
,问题似乎随着N
的减少而减少。也许这是算法的预期行为?将N
减少10倍会导致预测速度降低150倍,但增加10倍会产生类似的300倍减速。这些数字对我来说似乎很疯狂,特别是因为我过去在数据集中使用过这个算法,有大约300,000个例子,并且发现它非常快。有些东西看似腥,但我无法弄清楚是什么。
我在Linux上使用R
版本3.3.1。 e1071
包是最新的(2015年发布)。
以下代码应该可以在任何机器上重现。仅供参考我的机器将Iris分类定时为0.003s,Iris预测为0.032s,模拟数据分类为0.045s,结果预测为15.205s。如果你得到的数字不同于这些,请告诉我,因为它可能是我本地机器上的一些问题。
# Remove everything from the environment and clear out memory
rm(list = ls())
gc()
# Load required packages and datasets
require(e1071)
data(iris)
# Custom function: tic/toc function to time the execution
tic <- function(gcFirst = TRUE, type=c("elapsed", "user.self", "sys.self"))
{
type <- match.arg(type)
assign(".type", type, envir=baseenv())
if(gcFirst) gc(FALSE)
tic <- proc.time()[type]
assign(".tic", tic, envir=baseenv())
invisible(tic)
}
toc <- function()
{
type <- get(".type", envir=baseenv())
toc <- proc.time()[type]
tic <- get(".tic", envir=baseenv())
print(toc - tic)
invisible(toc)
}
# set seed for reproducibility
set.seed(12345)
#---------------------------------
# 1. Naive Bayes on Iris data
#---------------------------------
tic()
model.nb.iris <- naiveBayes(Species~Sepal.Length+Sepal.Width+Petal.Length+Petal.Width,data=iris)
toc()
tic()
pred.nb.iris <- predict(model.nb.iris, iris, type="raw")
toc()
#---------------------------------
# 2. Simulate data and reproduce NB error
#---------------------------------
# Hyperparameters
L <- 5 # no. of locations
N <- 1e4*L
# Data
married <- 1*(runif(N,0.0,1.0)>.45)
kids <- 1*(runif(N,0.0,1.0)<.22)
birthloc <- sample(1:L,N,TRUE)
major <- 1*(runif(N,0.0,1.0)>.4)
exper <- 15+4*rnorm(N)
exper[exper<0] <- 0
migShifter <- 2*runif(N,0.0,1.0)-1
occShifter <- 2*runif(N,0.0,1.0)-1
X <- data.frame(rep.int(1,N),birthloc,migShifter,occShifter,major,married,kids,exper,exper^2,exper^3)
colnames(X)[1] <- "constant"
rm(married)
rm(kids)
rm(birthloc)
rm(major)
rm(exper)
rm(occShifter)
# Parameters and errors
Gamma <- 15*matrix(runif(7*L), nrow=7, ncol=L)
eps <- matrix(rnorm(N*L, 0, 1), nrow=N, ncol=L)
# Deterministic portion of probabilities
u <- matrix(rep.int(0,N*L), nrow=N, ncol=L)
for (l in 1:L) {
u[ ,l] = (X$birthloc==l)*Gamma[1,l] +
X$major*Gamma[2,l] + X$married*Gamma[3,l]
X$kids*Gamma[4,l] + X$exper*Gamma[5,l]
X$occShifter*Gamma[6,l] + X$migShifter*X$married*Gamma[7,l]
eps[ ,l]
}
choice <- apply(u, 1, which.max)
# Add choice to data frame
dat <- cbind(choice,X)
# factorize categorical variables for estimation
dat$major <- as.factor(dat$major)
dat$married <- as.factor(dat$married)
dat$kids <- as.factor(dat$kids)
dat$birthloc <- as.factor(dat$birthloc)
dat$choice <- as.factor(dat$choice)
tic()
model.nb <- naiveBayes(choice~birthloc+major+married+kids+exper+occShifter+migShifter,data=dat,laplace=3)
toc()
tic()
pred.nb <- predict(model.nb, dat, type="raw")
toc()
答案 0 :(得分:2)
我遇到了同样的问题。我需要运行朴素贝叶斯并在一些大型矩阵(10000行,1000-2000 cols)上预测很多次(1000次)。由于有一段时间,我决定实施自己的朴素贝叶斯实现,以使其速度更快:
https://cran.r-project.org/web/packages/fastNaiveBayes/index.html
我对此做了一些工作,并由此创建了一个软件包:https://cran.r-project.org/web/packages/fastNaiveBayes/index.html。使用伯努利事件模型,它现在快了约330倍。而且,它实现了多项式事件模型(甚至更快一点)和高斯模型(稍微快一点)。最后,是一个混合模型,可以在不同的列中使用不同的事件模型并将它们组合!
e1071的预测功能如此之慢的原因是,它们实际上使用了double for循环。从2017年初开始已经存在一个拉动请求,至少对其中之一进行了向量化,但尚未被接受。