我正试图加速在python中使用gridsearchcv(用于调整rbf函数的参数)的过程。然而,这需要永远。我有一个适度小的数据集(尺寸600 x 8),所以我不认为尺寸是一个问题。
我听说过这篇文章中的袋装出口:
Making SVM run faster in python
但我似乎无法使它适用于使用gridsearchcv的回归。
下面的代码可以工作,但计算起来需要很长时间。
parameters = {‘epsilon’: np.arange(0.1, 1.0, 0.01) ,’C’: 2.0 **
np.arange(-2, 9), ‘gamma’: np.arange(0.1, 1.0, 0.01)}
svc = SVR(kernel=’rbf’)
clf = GridSearchCV(svc, parameters)
clf.fit(X_train, y_train)
所以,我试着这样加快速度:
parameters = {‘epsilon’: np.arange(0.1, 1.0, 0.01) ,’C’: 2.0 **
np.arange(-2, 9), ‘gamma’: np.arange(0.1, 1.0, 0.01)}
svc = SVR(kernel=’rbf’)
clf = GridSearchCV(svc, parameters)
clf = BaggingRegressor(clf)
clf.fit(X_train, y_train)
但这根本不能加快进程。
恐怕我不完全理解袋装出口是如何工作的,所以如果有人有什么见解,请告诉我!
Original: https://blog.csdn.net/weixin_36444881/article/details/112839196
Author: 平祥
Title: 支持向量机回归python_在python中SVM回归更快
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/634583/
转载文章受原作者版权保护。转载请注明原作者出处!