Python 3.x 在管道上工作时，RandomSearchCV太慢

我正在测试使用超参数运行功能选择的方法

我正在运行功能选择算法

SequentialFeatureSelection

和超参数算法

RandomizedSearchCV

和

xgboost

模型

我运行以下代码：

from xgboost import XGBClassifier
from mlxtend.feature_selection import SequentialFeatureSelector
from sklearn.pipeline import Pipeline
from sklearn.model_selection import RandomizedSearchCV
import pandas as pd

def main():

    df = pd.read_csv("input.csv")
    x = df[['f1','f2','f3', 'f4', 'f5', 'f6','f7','f8']]
    y = df[['y']]
    model = XGBClassifier(n_jobs=-1)
    sfs = SequentialFeatureSelector(model, k_features="best", forward=True, floating=False, scoring="accuracy", cv=2, n_jobs=-1)
    params = {'xgboost__max_depth': [2, 4], 'sfs__k_features': [1, 4]}
    pipe = Pipeline([('sfs', sfs), ('xgboost', model)])
    randomized = RandomizedSearchCV(estimator=pipe, param_distributions=params,n_iter=2,cv=2,random_state=40,scoring='accuracy',refit=True,n_jobs=-1)
    res = randomized.fit(x.values,y.values)

if __name__=='__main__':
    main()

文件

input.csv

只有39行数据（不包括标题）：

如您所见，数据量太小，需要优化的参数也很少

我检查了CPU的数量：

lscpu 

我得到：

CPU(s):              12

因此，可以创建12个线程并并行运行

我查看了这篇帖子：

但是我已经使用了

n\u jobs=-1

---

那为什么它跑得太慢了？（超过15分钟！！！）？这应该只需要一瞬间，我以前认为为嵌套作业设置n_jobs>1是有问题的；尝试将功能选择器或随机搜索设置为

n\u jobs=1

。然而，在Colab上尝试您的脚本和一些变体，一切都很好，最多只需要几秒钟。您使用的是什么版本的sklearn？另请参见scikit learn==0.24.1I我尝试将XGBClassifier和SequentialFeatureSelector设置为n_jobs=1，但结果相同。。。

CPU(s):              12