Python 测量scikit学习更改模型性能的内存使用情况

我试图在scikit中使用python模块测量我的模型的内存使用情况。但是，当我在训练期间评测内存时，模型显示的准确性与我在不评测的情况下训练内存时不同。（使用分析时，性能要差得多） 我如何测量它的代码：

clf = svm.SVC()
mem = memory_usage((clf.fit, (X_train, y_train)), max_usage=True)

pred = clf.predict(X_test)
print(accuracy_score(pred, y_test))

---

有人有这方面的经验吗？原因可能是什么？

如果你对统计分析感到满意，那么你可以试一试。它是一个统计分析器，还可以分析内存使用情况。一个非常好的特性是不需要插入代码。您可以在生产环境中运行应用程序，并将Austin连接到应用程序上，而对性能的影响非常小

Austin可从许多软件包提供商处轻松安装，如Homebrew、Chocolate、Snap Store和Debian官方存储库。GitHub还提供了二进制版本

看看自述文件，看看如何使用它。总的来说，事情很简单

austin-m你的pythonapp

如果要附加到正在运行的进程，请获取其PID并执行以下操作

sudo austin-mp

出于好奇-本例中的数据有多大？如果您多次安装分类器，精度会保持不变吗？@user702846这是大约50MB的文本数据，由TFIDF转换。@FarhoodET当我第二次安装模型时（没有分析），精度下降到0。我不认为内存使用率是用来估算内存使用率的！根据文档，它是为数据帧制作的。您返回的是一个classier-所以我猜，没有合适的，只是svc的随机启动导致了如此低的性能。