如何让 scikit-learn 最近邻算法运行得更快？

Question

我正在尝试运行基于文本的推荐系统，以从大约 56K 零件的文件中查找零件的类别： 例如：铜管 -> 电线， 电视 -> 电子产品等

但是，在我的 8GB RAM 系统中运行时，获得推荐系统输出大约需要 4 个小时。我尝试在大约 32 GB 的 ram 上运行相同的脚本，但计算时间没有任何改善，仍然需要 4 小时。推荐系统的训练集约为 11k。

如何让我的推荐系统运行得更快？脚本似乎没有有效地利用内存。任何帮助将不胜感激。

注意：显示的示例仅用于说明，原始数据集要复杂得多。

from sklearn.neighbors import NearestNeighbors

#Code for recommendation system
def recommendhts(x,model,train):
    distance,index=model.kneighbors(x.toarray(),n_neighbors=1)
    mi=distance.argmax()
    idx=index[mi][0]
    return(train.iloc[idx]['sHTS'],distance[0][0])

#Training the model of training set
train=pd.read_csv('train0207190144.csv')
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(train['keywords'])
x=X.toarray()
df=pd.DataFrame(x,columns=vectorizer.get_feature_names())
model=NearestNeighbors(metric='correlation',n_neighbors=1)
model.fit(df)
vect=vectorizer.fit(train['keywords'])

#Fitting the Count vectoriser on keywords(product description to be queried)

x_new=vect.transform(product['keywords'])

for i in range(len(product)):
    key=x_new[i]
    output,probability=recommendhts(key,model,train)

编辑： 按照 cmets 中的建议，我附上了分析 Code profiling results 的结果的快照。我对 1000 行的样本运行它，所用时间约为 1085 秒。

Answer 1

首先，您肯定需要分析您的代码。我建议在 IPython/Jupyter 中为 profiling your script 使用 %prun 魔术命令。

尝试其他几件事

1. 设置“n_jobs”参数以在进行预测时允许并行。

   # setting n_jobs=2 will use 2 cores; setting n_jobs=-1 will use all cores
   model=NearestNeighbors(metric='correlation',n_neighbors=1, n_jobs=2)
   

2. 我不清楚是否需要重新安装 vectorizer。

   vect=vectorizer.fit(train['keywords'])  # can be removed?
   

最后，您应该能够向量化预测并替换 for 循环，但这需要重构您的推荐系统，如果没有更多信息，我无能为力。