使 SVM 在 python 中运行得更快

Question

在python中使用下面的代码来支持svm：

from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
iris = datasets.load_iris()
X, y = iris.data, iris.target
clf = OneVsRestClassifier(SVC(kernel='linear', probability=True, class_weight='auto'))
clf.fit(X, y)
proba = clf.predict_proba(X)

但这需要花费大量时间。

实际数据维度：

train-set (1422392,29)
test-set (233081,29)

我怎样才能加快速度（并行或其他方式）？请帮忙。 我已经尝试过 PCA 和下采样。

我有 6 节课。 编辑： 找到http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.SGDClassifier.html 但我希望得到概率估计，而 svm 似乎并非如此。

编辑：

from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC,LinearSVC
from sklearn.linear_model import SGDClassifier
import joblib
import numpy as np
from sklearn import grid_search
import multiprocessing
import numpy as np
import math

def new_func(a):                              #converts array(x) elements to (1/(1 + e(-x)))
    a=1/(1 + math.exp(-a))
    return a

if __name__ == '__main__':
    iris = datasets.load_iris()
    cores=multiprocessing.cpu_count()-2
    X, y = iris.data, iris.target                       #loading dataset

    C_range = 10.0 ** np.arange(-4, 4);                  #c value range 
    param_grid = dict(estimator__C=C_range.tolist())              

    svr = OneVsRestClassifier(LinearSVC(class_weight='auto'),n_jobs=cores) ################LinearSVC Code faster        
    #svr = OneVsRestClassifier(SVC(kernel='linear', probability=True,  ##################SVC code slow
    #   class_weight='auto'),n_jobs=cores)

    clf = grid_search.GridSearchCV(svr, param_grid,n_jobs=cores,verbose=2)  #grid search
    clf.fit(X, y)                                                   #training svm model                                     

    decisions=clf.decision_function(X)                             #outputs decision functions
    #prob=clf.predict_proba(X)                                     #only for SVC outputs probablilites
    print decisions[:5,:]
    vecfunc = np.vectorize(new_func)
    prob=vecfunc(decisions)                                        #converts deicision to (1/(1 + e(-x)))
    print prob[:5,:]

编辑 2： user3914041 的回答得出的概率估计非常差。

Answer 1

如果您想尽可能坚持使用 SVC 并在完整数据集上进行训练，您可以使用在数据子集上训练的 SVC 集合来减少每个分类器的记录数（这显然对复杂）。 Scikit 通过 BaggingClassifier 包装器支持这一点。与单个分类器相比，这应该会给您提供相似（如果不是更好）的准确性，而且训练时间要少得多。也可以使用n_jobs 参数将各个分类器的训练设置为并行运行。

或者，我也会考虑使用随机森林分类器 - 它本身就支持多类分类，它速度很快，并且在适当设置 min_samples_leaf 时给出了相当好的概率估计。

我使用 10 个 SVC 的集合对 iris 数据集进行了 100 次快速测试，每个 SVC 都使用 10% 的数据进行训练。它比单个分类器快 10 倍以上。这些是我在笔记本电脑上得到的数字：

单个 SVC：45 秒

整体 SVC：3 秒

随机森林分类器：0.5s

请看下面我用来生成数字的代码：

import time
import numpy as np
from sklearn.ensemble import BaggingClassifier, RandomForestClassifier
from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC

iris = datasets.load_iris()
X, y = iris.data, iris.target

X = np.repeat(X, 100, axis=0)
y = np.repeat(y, 100, axis=0)
start = time.time()
clf = OneVsRestClassifier(SVC(kernel='linear', probability=True, class_weight='auto'))
clf.fit(X, y)
end = time.time()
print "Single SVC", end - start, clf.score(X,y)
proba = clf.predict_proba(X)

n_estimators = 10
start = time.time()
clf = OneVsRestClassifier(BaggingClassifier(SVC(kernel='linear', probability=True, class_weight='auto'), max_samples=1.0 / n_estimators, n_estimators=n_estimators))
clf.fit(X, y)
end = time.time()
print "Bagging SVC", end - start, clf.score(X,y)
proba = clf.predict_proba(X)

start = time.time()
clf = RandomForestClassifier(min_samples_leaf=20)
clf.fit(X, y)
end = time.time()
print "Random Forest", end - start, clf.score(X,y)
proba = clf.predict_proba(X)

如果您想确保每条记录在BaggingClassifier 中仅用于训练一次，您可以将bootstrap 参数设置为False。

Answer 2

SVM 分类器不那么容易扩展。从文档中，关于sklearn.svm.SVC 的复杂性。

拟合时间复杂度大于二次方 样本，这使得难以扩展到具有超过 a 的数据集 10000 个样本。

在 scikit-learn 中，svm.linearSVC 可以更好地扩展。 显然它可以处理您的数据。

或者，您也可以使用另一个分类器。如果你想要概率估计，我建议逻辑回归。 逻辑回归还具有不需要probability calibration 输出“正确”概率的优点。

编辑：

不知道linearSVC的复杂度，最后在user guide找到了资料：

还要注意，对于线性情况，LinearSVC 中使用的算法由 liblinear 实现比它的效率高得多 基于 libsvm 的 SVC 对应物，几乎可以线性扩展到数百万 样本和/或特征。

要从linearSVC 中获取概率，请查看this link。它距离我上面链接的概率校准指南只有几个链接，并且包含一种估计概率的方法。 即：

    prob_pos = clf.decision_function(X_test)
    prob_pos = (prob_pos - prob_pos.min()) / (prob_pos.max() - prob_pos.min())

请注意，如果没有校准，估计值可能会很差，如链接中所示。

Answer 3

您可以使用the kernel_approximation module 将 SVM 扩展到像这样的大量样本。

Answer 4

上面的答案中简要提到过；这是代码：最快的方法是通过the n_jobs parameter：替换行

clf = OneVsRestClassifier(SVC(kernel='linear', probability=True, class_weight='auto'))

与

clf = OneVsRestClassifier(SVC(kernel='linear', probability=True, class_weight='auto'), n_jobs=-1)

这将使用您计算机上所有可用的 CPU，同时仍执行与以前相同的计算。

Answer 5

对于大型数据集，请考虑使用 LinearSVC 或 SGDClassifier，可能在 Nystroem 转换器之后。

https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html