Python scikit学习随机森林永远无法完成训练，冻结

我试图在ubuntu 14.04.-服务器机器上使用scikit learn来适应随机森林模型。我的数据的形状为（150000，270）

verbose=10

输出如下所示：

建筑树1/10 [并行（n|u作业=1）]：完成1次（共1次）已用时间：剩余6.1秒：0.0秒 建筑树2/10 [并行（n|u作业=1）]：完成2次（共2次）已用时间：剩余12.2秒：0.0秒 建筑树3/10 [并行（n_作业=1）]：完成3次，共3次已用时间：剩余18.3秒：0.0秒 建筑树4/10 [并行（n|u作业=1）]：完成4次，共4次；已用时间：剩余24.9秒：0.0秒 构建树5/10 [并行（n_作业=1）]：完成5次（共5次）已用时间：剩余32.1秒：0.0秒 构建树6/10 [并行（n|u作业=1）]：完成6次（共6次）运行时间：剩余38.5秒：0.0秒 建筑树第7页，共10页 [并行（n|u作业=1）]：完成7次，共7次；已用时间：剩余45.3秒：0.0秒 建筑树第8页，共10页 [并行（n_作业=1）]：完成了8个作业中的8个；已用时间：52.0秒剩余时间：0.0秒 第9页，共10页 [并行（n|u作业=1）]：完成9次（共9次）耗时：剩余58.5秒：0.0秒 构建树10/10 [并行（n_作业=1）]：完成10次中的10次|经过：完成1.1分钟

在此之后，它会悬挂/冻结数小时。我尝试改变

n_作业

和

n_估计量

参数，以降低模型的复杂性/防止

n_作业的线程问题

。这没有帮助

我的模型如下所示：

随机森林回归器（随机状态=1234，n作业=1，n估计=10，最小样本数分裂=2，最小样本数叶子=1，详细度=10）

我读了很多关于BLAS/MKL线程问题的书，并尝试设置环境变量

os.environ['MKL\u NUM\u THREADS']=“1”

os.environ['OMP\u NUM\u THREADS']=“1”

os.environ['NUMEXPR\u NUM\u THREADS']=“1”

os.environ['JOBLIB\u START\u METHOD']='forkserver'

但它们都没有帮助。模特儿无法完成训练。 我的脚本与此结构类似：

import packages/libraries

## load data 
## define model
## fit model
## predict on new data

有没有人经历过相同/不同的事情

---

提前谢谢

似乎是内存问题

我建议分析程序运行时使用的内存量

---

也许试着用数据集中的10个样本运行它，看看它是否运行到完成

只是一个建议：可能一个有用的诊断方法是首先在较小的样本量上运行代码，比如15000或1500个示例。数据的大小没有帮助。我已经试过不同的尺寸，越来越小，越来越大…似乎有一种线程问题，导致任何锁或其他。。。。我在没有设置任何环境变量和

n_jobs=-1

的情况下进行了尝试，它确实工作得很好，但使用了所有可用的内核。。。如何限制使用的核心数量？只需设置

n_jobs=4

或任何其他整数，脚本只需使用一个核心即可；多处理。set_start_方法（'forkserver'）在运行或导入任何内容之前，在代码顶部。。它解决了问题吗？遗憾的是，这并没有改变任何事情。在htop中，我使用了10GB的RAM，相当于总内存的5%。。。。我不认为这是一个内存问题，因为我可以访问的服务器的资源非常巨大。。。