Python RandomizedSearchCV能否在多个CPU上运行？

我正在尝试使用随机搜索CV来学习逻辑回归的hypeparameters。代码如下：

random_searcher = RandomizedSearchCV(
  estimator = MyLogRegClassifier(),
  param_distributions = {'penalty': ['l2', 'l1'], 
                         'class_weight': [None, 'auto'],
                         'C': logspace(-20, 20, 10000), 
                         'intercept_scaling': logspace(-20, 20, 10000)},
  cv = 4,
  scoring = make_scorer(f1_score, average='samples'),
  n_iter = 100,
  n_jobs = -1,
  pre_dispatch = 10,
  refit = False
)
random_searcher.fit(X_tr, y_tr)

然而，它不能使用多个CPU，它总是在一个CPU上运行。但是当我切换到

GridSearchCV

时，它会生成多个进程并加载所有CPU

grid_searcher = GridSearchCV(
  estimator = MyLogRegClassifier(),
  param_grid = {'penalty': ['l2', 'l1'], 
                'class_weight': [None, 'auto'],
                'C': logspace(-20, 20, 10000), 
                'intercept_scaling': logspace(-20, 20, 10000)},
  cv = 4,
  scoring = make_scorer(f1_score, average='samples'),
  n_jobs = -1,
  pre_dispatch = 10,
  refit = False
)
grid_searcher.fit(X_tr, y_tr)

X_tr是形状为（6700，25640）的稀疏矩阵，y_tr是形状为（6700，83）的稠密矩阵

MyLogRegClassifier

本质上是

OneVsRestClassifier（LogisticRegression（））

---

我遗漏了什么吗？

为什么要将

LogisticRegression

包装到

MyLogRegClassifier

中？您可以直接使用带有网格搜索的

OneVsRestClassifier

分类器。您所要做的就是更改参数dict

estimator\uuuu

的键，比如

estimator\uu惩罚

，因为如果我需要以某种方式调整分类器，最好在一个地方更改代码。不过，谢谢你的提示。这很奇怪。你能举个最简单的例子吗？它肯定会起作用。您使用的是哪个版本的sklearn？也不要将日志空间用于RandomizedSearchCV。提供一个列表而不是一个连续的分布基本上把随机搜索CV的大部分好处抛到了窗外

class MyLogRegClassifier(BaseEstimator, ClassifierMixin):
    def __init__(self, C=1.0, penalty='l2', 
                 intercept_scaling=1, class_weight=None, n_jobs=1):
        self.C = C
        self.n_jobs = n_jobs
        self.penalty = penalty
        self.intercept_scaling = intercept_scaling
        self.class_weight = class_weight

    def fit(self, X, y):
        self.clf = OneVsRestClassifier(LogisticRegression(
            C=self.C, penalty=self.penalty,
            intercept_scaling=self.intercept_scaling, 
            class_weight=self.class_weight),
                                       n_jobs=self.n_jobs)
        self.clf.fit(X, y)
        return self

    def predict(self, X):
        return self.clf.predict(X)