如何减少 Azure ML 中决策树和决策林的 运行 时间
how to reduce the Run time in Azure ML for decision tree and decision forest
我正在尝试 运行 一个包含超过 2000000 行的数据集的回归模型。我尝试在不调整模型超参数的情况下使用线性回归和增强决策树回归，但没有获得预期的准确性。所以我尝试将 Tune 模型超参数用于提升决策树，模型 运行s 超过 20 分钟。决策森林也需要很长时间（即使没有调整模型超参数）。有什么方法可以减少 运行 时间而又不会过多影响结果的准确性？
采样会影响输出吗（比如说我取0.5作为采样率）？
AzureML Studio 上的执行时间取决于定价层。免费版一次执行一个节点，而标准定价层一次执行多个节点。
我正在尝试 运行 一个包含超过 2000000 行的数据集的回归模型。我尝试在不调整模型超参数的情况下使用线性回归和增强决策树回归，但没有获得预期的准确性。所以我尝试将 Tune 模型超参数用于提升决策树，模型 运行s 超过 20 分钟。决策森林也需要很长时间（即使没有调整模型超参数）。有什么方法可以减少 运行 时间而又不会过多影响结果的准确性？
采样会影响输出吗（比如说我取0.5作为采样率）？
AzureML Studio 上的执行时间取决于定价层。免费版一次执行一个节点，而标准定价层一次执行多个节点。