Machine learning 将逻辑回归模型拟合到MNIST数据需要很长时间

我试图将sklearn的Logistic回归模型应用于MNIST数据集，并将训练测试数据分为70-30个部分

然而，当我简单地说

model.fit（train\u x，train\u y）

这需要很长时间

我在启动LogisticReturnal时没有添加任何参数

代码：

import seaborn as sns
import matplotlib
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_mldata
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

import tempfile

test_data_home = tempfile.mkdtemp()
mnist = fetch_mldata('MNIST original', data_home = test_data_home)


x_train, x_test, y_train, y_test = train_test_split(mnist.data, mnist.target, test_size = 0.30, random_state = 0)

lr = LogisticRegression(penalty = 'l2')
lr.fit(x_train, y_train)

---

你提出的问题似乎相当模糊，但我相当肯定你的逻辑回归没有收敛。我不太清楚为什么你现在要加上一个“L2”的惩罚条款，除非你担心过度装修。不管怎么说，如果你看一下，上面写着：

用于优化问题的算法

对于小型数据集，“liblinear”是一个不错的选择，而对于大型数据集，“sag”和“saga”则更快。 对于多类问题，只有“newton cg”、“sag”、“saga”和“lbfgs”处理多项式损失“liblinear”仅限于一对多方案。 “newton cg”、“lbfgs”和“sag”只处理L2惩罚，“liblinear”和“saga”处理L1惩罚。 请注意，“sag”和“saga”快速收敛仅在具有大致相同比例的特征上得到保证。您可以使用sklearn.preprocessing中的定标器对数据进行预处理

我会立即建议您添加参数'solver=sag'（或任何其他可以处理L2惩罚的解算器），因为文档明确指出只有某些解算器可以处理L2惩罚，默认解算器liblinear只处理L1惩罚。关于逻辑回归的解算器，有一篇非常棒的帖子，你可以在你的数据集上看到：

---

请记住，L2和L1正则化处理过拟合，因此，您甚至可以更改lr定义中的C参数。请查看sklearn文档以了解更多信息。希望这有帮助

首先，MINST不是一个二元分类，而是一个多类。因此，关于scikit中的文档，请学习：

multi_类：str，{'ovr'，'multi-nomial'，'auto'}，默认值为'ovr'If 选择的选项为“ovr”，则每个选项都适合一个二进制问题 标签。对于“多项式”而言，最小损失为多项式损失 适用于整个概率分布，即使数据是 二进制的。”当解算器='liblinear'时，多项式'不可用自动的 如果数据为二进制，或如果solver='liblinear'，则选择“ovr”，然后 否则选择“多项式”

您需要在创建模型时强调这一点

由于MINST具有相同数量级的特征，我相信如果你明确提到你的解算器是比其他解算器收敛更快的传奇

因此，我将以Scikitlearn为例，设置培训参数，并将代码更改为：

lr = LogisticRegression(C=50. / train_samples,
                         multi_class='multinomial',
                         penalty='l1', solver='saga', tol=0.1)
lr.fit(x_train, y_train)

---

你能分享你正在运行的代码吗？还有您机器的规格？@alift添加了规格和代码的图像，这将有助于查看代码，并告诉您大概需要多长时间才能获得结果？10分钟？1小时？etc@alift将模型与数据相匹配大约需要20分钟。这两行文字就是我到目前为止所做的。好吧，你的规格对我来说似乎很好，但20分钟太多了。恐怕我无法帮助您，因为您没有共享代码，仅共享了两行代码就找不到问题。如果您不愿意共享代码，请查看此处，看看您正在做哪些不同的事情，希望这会有所帮助：。祝你好运