为 RandomizedSearchCV 缩放 sklearn RandomForestClassifier

Question

我正在一个具有 28 个 CPU 和 ~190GB 内存的集群节点上训练 sklearn.ensemble.RandomForestClassifier()。单独训练这个分类器运行得非常快，使用机器上的所有内核并使用 ~93GB 内存：

x_train,x_test,y_train,y_test=sklearn.model_selection.train_test_split(x,y,test_size=.25,random_state=0)

clf=sklearn.ensemble.RandomForestClassifier(n_estimators=100,
                                            random_state=0,
                                            n_jobs=-1,
                                            max_depth=10,
                                            class_weight='balanced',
                                            warm_start=False,
                                            verbose=2)
clf.fit(x_train,y_train)

输出：

[Parallel(n_jobs=-1)]: Done  88 out of 100 | elapsed:  1.9min remaining:   15.2s
[Parallel(n_jobs=-1)]: Done 100 out of 100 | elapsed:  2.0min finished
CPU times: user 43min 10s, sys: 1min 33s, total: 44min 44s
Wall time: 2min 20s

但是，这个特定模型似乎不是最优的，其性能正确率约为 80%。所以我想使用 sklearn.model_selection.RandomizedSearchCV() 来优化模型的超参数。所以我这样设置搜索：

rfc = sklearn.ensemble.RandomForestClassifier()
rf_random = sklearn.model_selection.RandomizedSearchCV(estimator=rfc, 
                                                       param_distributions=random_grid, 
                                                       n_iter=100, 
                                                       cv=3, 
                                                       verbose=2, 
                                                       random_state=0, 
                                                       n_jobs=2, 
                                                       pre_dispatch=1)
rf_random.fit(x, y)

但我找不到 n_jobs 和 pre_dispatch 的有效使用硬件的设置。以下是一些示例运行和结果：

n_jobs   pre_dispatch    Result
===========================================================================
default       default    Utilizes all cores but Job killed - out of memory
    -1              1    Job killed - out of memory
    12              1    Job killed - out of memory
     3              1    Job killed - out of memory
     2              1    Job runs, but only utilizes 2 cores, takes >230min (wall clock) per model

如何在运行超参数搜索时获得训练独立 RandomForestClassifier 时看到的性能？独立版本是如何并行化的，这样它就不会像网格搜索那样创建我的大型数据集的副本？

编辑：以下参数组合有效地使用了所有内核来训练每个个体 RandomForestClassifier，而无需并行化超参数搜索本身或增加 RAM 使用率。

model = sklearn.ensemble.RandomForestClassifier(n_jobs=-1, verbose=1)
search = sklearn.model_selection.RandomizedSearchCV(estimator=model, 
                                                    param_distributions=random_grid, 
                                                    n_iter=10, 
                                                    cv=3, 
                                                    verbose=10, 
                                                    random_state=0,
                                                    n_jobs=1,
                                                    pre_dispatch=1)
with joblib.parallel_backend('threading'):
    search.fit(x, y)

Answer 1

如果单个分类器训练使所有核心饱和，那么并行化网格搜索也没有任何好处。为 gridsearch 设置 n_jobs=1，为分类器保持 n_jobs=-1。这应该避免内存不足的情况。

为 RandomizedSearchCV 缩放 sklearn RandomForestClassifier

scaling sklearn RandomForestClassifier for RandomizedSearchCV

python

scikit-learn

random-forest

hpc