Python 无论何时使用fitted model summary，计算机都会冻结

我正在为一个学校项目做逻辑回归。在我训练数据并尝试执行拟合模型摘要后，特别是

fitted_model = linear_regression.fit()

只运行一次又一次，直到浏览器冻结。我让它运行了二十分钟。在我看来，数据并没有那么大，因为它只有10000行数据（同样，我是一名学生，如果我错了，请纠正我）。也就是说，我在许多专栏上使用了getdummies，目前有18000个专栏。但是，我看到了这个线程，如果我读对了，它应该运行正常（） ] 在我从头开始之前有什么建议吗

下面是更多的代码，以防有用

from sklearn.linear_model import LogisticRegression

logreg=LogisticRegression()
logreg.fit(X_train, y_train)

y_hat_train=logreg.predict(X_train)
y_hat_test = logreg.predict(X_test)

from sklearn.metrics import classification_report
print(classification_report(y_test,y_hat_test))

import statsmodels.api as sm
import statsmodels.formula.api as smf
Xc = sm.add_constant(X_train)
linear_regression = sm.OLS(y_train,Xc)
fitted_model = linear_regression.fit()
fitted_model.summary()

---

尽量减少样本数量，看看代码是否仍在运行，以及需要多长时间。将此放在代码段之前应该可以：

n_train = 100
n_test = 10
X_train = X_train[:n_train]
y_train = y_train[:n_train]
X_test = X_test[:n_test]
y_test = y_test[:n_test]

---

作为旁注，听起来您的数据太多了。>根据每个数据点的特征数量，10000个数据点20分钟是合理的。如果每个数据点有一个特征，那么只有10000个数字，这并不多；但如果每个点有1000个功能，那么就有10000*1000个数据点——这完全是另一回事。

您提到了sklearn和sklearn特定算法的复杂性。不过，您的代码也使用statsmodels！添加打印（或更聪明的东西）以识别问题是否在sklearn fitting、reporting或后续statsmodels代码中出现。就statsmodels

sm.OLS

而言，我猜它是~O（n*m^2）-复杂性，

10000*18000^2

需要进行大量计算！备注：在这些情况下，第一步总是减少数据，看看会发生什么。在这种情况下，您还可以添加一些计时，显示哪些部分是瓶颈。您希望从包含18000个参数的摘要中看到什么？那有很多页要读。我想所有的时间都花在了汇总表的格式上。此外，您的参数比观察值多，因此推断将没有用处。参数的协方差矩阵为18K×18K。