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:Python 测量scikit学习更改模型性能的内存使用情况,python,machine-learning,memory,scikit-learn,memory-profiling,Python,Machine Learning,Memory,Scikit Learn,Memory Profiling,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))
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。