Parallel processing 通过并行处理加速Sklearn中的支持向量回归

我试图对sklearn中的一些文本数据执行支持向量回归。我有大约10000个文档，已经转换成大约30000个特性。标签是每个文档作者出生的年份（分布于1900年至2016年）

---

我最初在sklearn中尝试SVR类，但这需要很长时间。因为我不知道它会有什么进展，所以我决定改用SGDRegressor，它有一个很好的选项，可以提供一些中间输出。现在我可以看到算法正在进步，但收敛速度很慢。我能做些什么来加快速度？一个选择是使用步长/学习速率，我现在就要这么做，但我想知道是否有任何方法可以使用并行处理来加快每一步。我可以看到SGDClassizer类有一个n_作业选项来利用多个处理器，但是我没有看到SGDRegressor类有类似的选项。这让我感到奇怪，因为SGD似乎可以从并行化中获益。在sklearn中，有没有什么库可以让我从中受益，或者有没有加快SVM速度的想法？

您的特征矩阵的维数显然太大太稀疏了。SVR和SGD都不能有效地拟合如此大的矩阵。一般经验法则是，当特征数量超过示例数量时，模型容易过度拟合

我建议使用截断SVD来降低矩阵的维数并训练SVR

在这里，我无耻地宣传我自己的答案：