sklearn Forecast（）函数对于逐行预测而言太慢了

Question

我正在研究一个挑战，它模拟我的服务器接收实时信息，因此我只能逐行进行预测。我正在使用随机森林回归器-针对速度进行了优化。

问题不在于predict()函数，而是逐行调用它，这会产生大量开销。

我可以做些什么来提高运行时性能吗？
还是在提高运行时间的同时达到相同模型精度的替代方法？

也许是另一个predict()函数不需要那么大开销的库？

尝试了不同的sklearn模型，从复杂到简单（线性回归），仍然存在性能问题。这说明问题出在预测函数所需的开销上，而不是模型本身。

我试图对具有30万个标签的样本数据集进行预测，而经过预训练的模型将在4秒内对其进行预测。

Class test(b):
    def predict(self, data, model):
        #form feature dataframe X using data 
        prediction = model.predict()
        return prediction[0]

    def run(self):
        model = pickle.load("model.pkl")
        streaming_data_row = #gets a row of data.  Dimensions 1x11 
        prediction = predict(streaming_data_row, model)
        self.submit(prediction) 
        #MUST EXECUTE self.submit() before next streaming_data_row can be received.