在 Python 中同时进行多个泊松回归

Question

我有表格的数据

n = number of samples

features: n x 1 matrix
data: n x m matrix

我想使用相同的features 执行多个泊松回归，其中输出值因数据列而异。目前，我使用sklearn 一次做一个泊松回归，例如我的 Python 代码看起来像

from sklearn import linear_model

clf = linear_model.PoissonRegressor(fit_intercept=True,alpha=0)
for col in range(m):
    clf.fit(features,data[:,col])

但是，我必须进行许多这些泊松回归，而且单独完成它们太慢了。所以我的问题是：有没有一种方法（在 Python 中）可以同时进行所有这些泊松回归？

如果我改为进行线性回归，那么我可以使用很好的矩阵技巧同时进行这些操作。然而，这里的关键区别在于泊松回归涉及使用优化算法来最大化似然函数。所以本质上，我想一次解决多个优化问题。

我尝试过的一件事是使用scipy.optimize 来最大化每个泊松回归的（对数）似然之和。然而，这对初始化非常敏感并且没有收敛。

因此我希望有一个：

1. 一个更好的 Python 优化包，我可以使用它来最大化泊松回归目标函数（似然之和），或者
2. 一个 Python 包，可让您同时进行泊松回归。

有人有什么想法吗？任何帮助将不胜感激非常。谢谢！

Answer 1

您似乎正在寻找multiprocessing。
它将使您能够同时运行 N 泊松回归计算。
下面是一个简单的例子：

from multiprocessing import Pool

def f(x):
    return x*x

if __name__ == '__main__':
    with Pool(5) as p:
        print(p.map(f, [1, 2, 3]))