Machine learning 使用sklearn并行培训多个模型？

我想训练具有不同随机状态的多个LinearSVC模型，但我更喜欢并行进行。sklearn中是否有支持这一点的机制？我知道Gridsearch或某些集成方法正在隐式地进行，但引擎盖下的东西是什么？

引擎盖下的“东西”是库，它为例如

GridSearchCV

和一些集成方法中的多处理提供了动力。它的

Parallel

helper类是一把非常方便的瑞士刀，用于令人尴尬的循环并行

这是一个使用joblib与4个进程并行训练具有不同随机状态的多个LinearSVC模型的示例：

从joblib并行导入，延迟
从sklearn.svm导入LinearSVC
将numpy作为np导入
def系列_型号（X、y、seed）：
模型=线性SVC（随机状态=种子）
返回模型。拟合（X，y）
X=np.数组（[[1,2,3]，[4,5,6]]
y=np.array（[0，1]）
结果=并行（n_作业=4）（范围（10）内种子的延迟（列车模型）（X，y，种子））
#结果是使用不同种子训练的10个模型的列表

不要这样做！LinearSVC中的随机性是一种加速的启发式方法。只需将容差设置得更高，或者使用

SVC（kernel=“linear”）

。这段代码似乎不会减少我的机器上的时间成本，因为我的机器有4个CPU。在我的代码中，普通的非并行代码花费1030秒，而根据@YS-L的答案修改的并行代码花费1061秒。前者只创建一个CPU%值为

400%、100%、100%、100%

的PID，后者创建4个CPU%值为

100%、100%、100%的PID

。