Python 如何让我的代码更快地计算q2 LOO？

我有一些代码，我已经写了计算第二季度离开一个多元线性回归，它的工作相当好的准确性方面。然而，由于我在遗传算法中使用q2LOO作为评估指标，这段代码太慢了——现在，使用我的q2LOO代码运行一次像样的GA需要几个小时。我还没有找到任何计算q2LOO的库，所以我的库使用numpy和scikit学习

import numpy as np
from sklearn import cross_validation
def mlrr(x_of_trainingset,y_actual):
    npones=np.ones(len(x_of_trainingset), float)

    A_sl=x_of_trainingset
    A=np.column_stack([A_sl,npones])

    lstsq,residuals,rank,something=np.linalg.lstsq(A, y_actual)
    return lstsq
def kfoldmlr(xi,yi,nfolds):
    x=xi.values
    y=yi.values

    kf = cross_validation.KFold(len(y), n_folds=nfolds)#indices=None, shuffle=False, random_state=None)
    y_hats=[]
    for train_index, test_index in kf:
        x_train, x_test = x[train_index], x[test_index]
        y_train=y[train_index]
        coefficients=mlrr(x_train,y_train)
        yhat=coefficients[-1]

        for index in range(x_test.size):
            slopetimesx=x_test[0][index]*coefficients[index]
            yhat=yhat+slopetimesx
        y_hats.append(float(yhat))


    stack=np.asarray(y_hats)
    return stack
def q2loo_mlr(x,y):
'''calculates q2loo of a linear regression of x and y where both x and y are 1-d'''
    yhats=kfoldmlr(x,y,len(x))
    PRESS=sum((y-yhats)**2)
    TSS=sum((y-np.mean(y))**2)
    r2cv=(TSS-PRESS)*(TSS**(-1))#1-(PRESS/TSS)
    return r2cv

测试后，这是我得到的速度：

%timeit q2loo_mlr(x, y)
10 loops, best of 3: 21.7 ms per loop

%timeit kfoldmlr(x, y, len(x))
1000 loops, best of 3: 156 µs per loop

---

显然，这种缓慢是由于它一次又一次地执行np.linalg.lstsq，但是还有其他选择吗？或者我还有其他方法可以加快速度吗？

因为

qloo\u mlr

到

kfoldmlr

的运行时是139:1，我不会认为

kfoldmlr

中对

mlr

的调用明显降低了代码的速度-

kfoldmlr

只调用一次

如果是这样的话，缓存固定索引

train\u index

的系数将是一个想法，因为系数似乎只是

train\u index

的函数，因此可以重复使用

在

q2loo\u mlr

中，如果您重写

TSS=sum((y-np.mean(y))**2)

作为

---

这会降低运行时间吗？据我所知，

np.mean（y）

是一个标量。

使用

np.sum

而不是仅仅使用

sum

通常会产生很大的不同。

y_mean = np.mean(y)
TSS=sum((y - y_mean)**2)