Python 为什么XGBoost拟合速度慢，即使数据集很小？

作为Python机器学习的新手，我正在尝试训练一个XGBoost模型来预测iris数据集（）

我目前专注于XGBoost，试图在这方面获得一些经验。 我的第一个模型列车，占数据集的66%，仅2个功能，从未完成（20分钟后中断）。我也尝试过用它制作一个非常小的样本（5个样本，2个特性），但仍然无法完成

环境详情： MacBook Pro 2017，通过Anaconda Navigator 1.9.7安装MacOS 10.14.5、Python 3.7.3

#从上面的Kaggle链接下载的文件
iris=pd.read\u csv（'iris.csv'））
iris['Species']=iris.apply（λr:r['Species'][5:]，轴=1）
特征=虹膜[['PetalLengthCm'，'PetalWidthCm']]
物种，标签=pd.因子分解（虹膜[‘物种]）
X_序列，X_测试，y_序列，y_测试=序列测试分割（特征，物种，测试大小=0.33，随机状态=42）
xgb_x_train=x_train.head（）
xgb_y_列=y_列[：5]
打印（xgb_x_列形状）
打印（len（xgb_y_系列））

xgbclf=xgb.XGBClassifier（）
xgbclf.fit（xgb_x_系列、xgb_y_系列）

我希望上面的代码能够在“合理”的时间内（即少于4-5分钟）生成一个经过训练的模型（由于只使用了5个样本，所以没有进行微调），但拟合阶段永远不会完成

我是不是做错了什么，可能会导致这种高拟合时间

谢谢你的建议！

---

Mattia

也许你没有正确安装Xgboost（我曾经在windows中安装过一次），我建议尝试使用

conda install

重新安装

但对于你的情况，你可以尝试在谷歌colab上上传你的代码（他们给你一个免费的GPU，所有的东西都已经安装好了）。这个训练应该只需要几秒钟

(5, 2)
5