Python ML与sklearn:KNeighborRegressor拟合功能卡在一个大DB上

我已经使用sklearn工具有一段时间了，但是我现在有一个奇怪的问题。我只是想用sklearn构建一个KNN回归器，但是执行过程要花很长时间，在调试时，fit函数的执行似乎要花很长时间。 我应该提到数据集很大（大约25000条记录，有10个功能），但我还是等了一个小时，没有结果

这是什么原因造成的

相关代码：

 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 42)
regressor = neighbors.KNeighborsRegressor(n_neighbors = n, algorithm = algorithm, weights = weights)
regressor.fit(X_train, y_train)
y_pred = regressor.predict(X_test)
train_score = regressor.score(X_train, y_train)
test_score = regressor.score(X_test, y_test)

---

这就是KNN的本质。算法时间复杂度为KNN为

O（nd）

，其中n为数据点数量，d为维度（在您的案例中

n=25k，d=10

）

KNN将考虑所有的数据点并拾取上面的代码<代码> k>代码>最近邻居。因此，如果您的数据很大，则需要更多的时间

K

是超参数&您可以使用或对其进行调整

您可以选择：

缩小数据规模（即减少数据点的数量，如25k到15K）

增加系统内存大小和处理器速度或在云中运行KNN

等待KNN完成

如果存在延迟约束，则不使用KNN

---

您也可以尝试使用RBF内核，因为它是KNN的一个很好的近似值&它将花费更少的时间

您在其中使用的是哪个

“算法”

？你试过改变它吗？你的数据集稀疏吗？谢谢你的完整答案，它帮助很大。