Python XGBoost在我的机器上运行缓慢，正常吗？

我正在使用XGBoost从Kaggle project Rossmann商店销售中培训100万行和~15个功能。它看起来很慢。在没有参数调整的情况下训练模型需要30分钟。如果我运行GridSearchCV来训练具有3倍和6个学习率值的模型，则需要10个多小时才能返回。由于这是我第一次使用XGBoost，我不知道这是否正常。我无法想象调整XGBoost模型的所有参数需要多少天。 请帮帮我

模型参数：XGBRegressionor（学习率=0.1，最大深度=5，n估计量=1165，子样本=0.8，colsample bytree=0.8，种子=27）。我使用n_估计器1165，因为它由xgboost.train作为最佳迭代返回。同时将nthread从1改为4，这根本不会提高性能

我的电脑配置是； CPU:intel i7 6500U（2芯4线程） 内存：8GB 操作系统：windows 10

谢谢！

---

Justin

训练模型可能需要大量时间处理某些数据集——这与机器学习模型无关。对于XGBoost，训练时间将根据您的超参数而变化，因此我认为您的训练时间并非不合理。长时间的训练是为什么有些人努力开发“更智能”超参数优化技术的原因（与使用网格搜索相比）。我使用的是超参数：XGBRegressionor（学习率=0.1，最大深度=5，n_估计器=1165，子样本=0.8，colsample_bytree=0.8，种子=27）。我使用n_估计器1165，因为它由xgboost.train作为最佳迭代返回。同时将nthread从1改为4，这根本不会提高性能。多线程如何为xgboost工作？这里要澄清的是，hyperparameters只是模型参数的另一个名称。几乎每个模型都有一些用户可以调整的参数（通常称为超参数）。在我之前的评论中，我提到某些超参数会使训练花费更长的时间。例如，在XGBoost的情况下，如果有更多的树生长得更深，这将减慢训练过程，而不是让树变浅（例如“树桩”）。增加线程数并不能提高性能有点不清楚。您是指模型的预测性能还是模型运行时的性能？据我所知，XGBoost使用OpenMP进行并行处理：。查看本页了解更多关于XGBoost中多线程的详细信息：我的意思是，将nthread从1更改为4后，模型训练时间没有得到改善