Machine learning 为什么使用LGB时10倍交叉验证比1倍拟合更快？

我使用LGB来处理机器学习任务。但我发现，当我使用sklearn API

cross_val_score

并设置

cv=10

时，时间成本比单次拟合要低。我使用

train\u test\u split

分割数据集，然后在训练集上安装LGBC分类器。后者的时间成本比前者高很多，为什么

对不起，我的英语不好

环境：Python 3.5、scikit learn 0.20.3、lightgbm 2.2.3 至强CPU E5-2650 v4 内存128GB

X=列车方向下降（['uId'，'age']，轴=1）
Y=列车方向位置[：，“年龄”]
X_测试=测试方向下降（['uId']，轴=1）
X_列，X_val，Y_列，Y_val=列测试分割（X，Y，测试尺寸=0.1，
分层=Y）
# (1809000, 12) (1809000,) (201000, 12) (201000,) (502500, 12)
打印（X_train.shape，Y_train.shape，X_val.shape，Y_val.shape，X_test.shape）
从lightgbm导入LGBMClassifier
从sklearn.preprocessing导入标签编码器
从sklearn.model_选择导入交叉值_分数
从sklearn.metrics导入准确性\u分数
导入时间
lgb=LGBMClassifier（n_作业=-1）
tic=time.time（）
分数=交叉分数（lgb，X，Y，
得分=‘准确度’，cv=10，n_作业=-1）
toc=时间。时间（）
# 0.3738402985074627 0.0009231167322574765 300.1487271785736
打印（np.平均值（分数）、np.标准值（分数）、toc tic）
tic=time.time（）
lgb.fit（X_系列、Y_系列）
toc=时间。时间（）
#0.3751492537313433472.1763586997986（远远超过300）
打印（准确度评分（Y值，lgb.预测（X值）），toc tic）

对不起，我找到了答案。在LightGBM的文档中写到：“为了获得最佳速度，请将其设置为实际CPU内核的数量，而不是线程的数量”。所以设置

n\u jobs=-1

不是最好的选择。

对不起，我找到了答案。在LightGBM的文档中写到：“为了获得最佳速度，请将其设置为实际CPU内核的数量，而不是线程的数量”。因此，设置

n\u jobs=-1

并不是最佳选择。

您对分类器和

cross\u val\u score

都使用

n\u jobs=-1

，这将使用所有核心，无论您是否进行交叉验证。运行完全相同的代码，但这次设置

n\u jobs=None

，并查看性能。您正在使用

n_jobs=-1

用于分类器和

cross_val_score

，无论是否进行交叉验证，都将使用所有核心。运行完全相同的代码，但这次设置

n_jobs=None

并查看性能。