SciKit Learn SVR 运行时间很长
SciKit Learn SVR runs very long
我面临以下问题，我是 运行 来自训练集的 scikit-learn 库的 SVR，大约有 46500 个观察值，它运行了六个多小时，直到现在。
我正在使用线性内核。
def build_linear(self):
model = SVR(kernel='linear', C=1)
return model
我已经尝试在 1e-3 和 1000 之间更改 "C" 值，但没有任何变化。
poly 内核运行大约 5 分钟，但我需要评估值，可以跳过这部分...
有人知道如何加快速度吗？
非常感谢！
众所周知，SVM 无法随样本数量扩展！
使用 LinearSVR or for huge data: SGDClassifier
而不是具有线性内核的 SVR
LinearSVR 在计算方面受到更多限制（无非线性内核），限制更多的算法通常有更多假设并使用这些假设来加速（或节省内存）。
SVR 基于 libsvm, while LinearSVR is based on liblinear。两者都是经过良好测试的高质量实现。
（添加可能很有价值：不要在一般情况下浪费时间，例如等待 6 小时。对数据进行子采样并尝试更小、更小……示例并从中推断出运行时间或问题. 编辑：看来你已经这样做了，很好！）。
我面临以下问题，我是 运行 来自训练集的 scikit-learn 库的 SVR，大约有 46500 个观察值，它运行了六个多小时，直到现在。
我正在使用线性内核。
def build_linear(self):
model = SVR(kernel='linear', C=1)
return model
我已经尝试在 1e-3 和 1000 之间更改 "C" 值，但没有任何变化。
poly 内核运行大约 5 分钟，但我需要评估值，可以跳过这部分...
有人知道如何加快速度吗？
非常感谢！
众所周知，SVM 无法随样本数量扩展！
使用 LinearSVR or for huge data: SGDClassifier
而不是具有线性内核的 SVRLinearSVR 在计算方面受到更多限制（无非线性内核），限制更多的算法通常有更多假设并使用这些假设来加速（或节省内存）。
SVR 基于 libsvm, while LinearSVR is based on liblinear。两者都是经过良好测试的高质量实现。
（添加可能很有价值：不要在一般情况下浪费时间，例如等待 6 小时。对数据进行子采样并尝试更小、更小……示例并从中推断出运行时间或问题. 编辑：看来你已经这样做了，很好！）。