Question

我正在尝试比较我拥有的数据集上的多个分类器。为了获得分类器的准确准确度分数，我现在对每个分类器执行10倍交叉验证。除了SVM（线性和rbf内核）之外，所有这些都很顺利。数据加载如下：

dataset = pd.read_csv("data/distance_annotated_indels.txt", delimiter="\t", header=None)

X = dataset.iloc[:, [5,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26]].values
y = dataset.iloc[:, 4].values

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

例如，随机森林的交叉验证工作正常：

start = time.time()
classifier = RandomForestClassifier(n_estimators = 100, criterion = 'entropy')
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
cv = ShuffleSplit(n_splits=10, test_size=0.2)
scores = cross_val_score(classifier, X, y, cv=10)
print(classification_report(y_test, y_pred))
print("Random Forest accuracy after 10 fold CV: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2) + ", " + str(round(time.time() - start, 3)) + "s")

输出：

             precision    recall  f1-score   support

          0       0.97      0.95      0.96      3427
          1       0.95      0.97      0.96      3417

avg / total       0.96      0.96      0.96      6844

Random Forest accuracy after 10 fold CV: 0.92 (+/- 0.06), 90.842s

然而对于SVM来说，这个过程需要很长时间（等待2个小时，但仍然没有）。 sklearn网站并没有让我更聪明。对于SVM分类器，我应该做些什么吗？ SVM代码如下：

start = time.time()
classifier = SVC(kernel = 'linear')
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
scores = cross_val_score(classifier, X, y, cv=10)
print(classification_report(y_test, y_pred))
print("Linear SVM accuracy after 10 fold CV: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2) + ", " + str(round(time.time() - start, 3)) + "s")

Answer 1

如果您有大量样本，问题的计算复杂性会受到阻碍，请参阅Training complexity of Linear SVM。

考虑使用verbose的{{1}}标记来查看有关进度的更多日志。此外，将cross_val_score设置为值＆gt; 1（或者甚至使用n_jobs设置为-1的所有CPU，如果内存允许），您可以通过并行化加速计算。 http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_score.html可用于评估这些选项。

如果效果不佳，我会考虑降低n_jobs的价值（有关此问题的讨论，请参阅https://stats.stackexchange.com/questions/27730/choice-of-k-in-k-fold-cross-validation）

Answer 2

您还可以通过更改max_iter来控制时间。如果设置为-1，则根据隔离空间可以永远消失。设置一些整数值（例如10000）作为停止条件。

Sklearn SVM分类器交叉验证需要永远

2 个答案: