Python RandomizedSearchCV的缩放sklearn RandomForestClassifier
我正在一个拥有28个CPU和~190GB RAM的集群节点上训练一个Python RandomizedSearchCV的缩放sklearn RandomForestClassifier,python,scikit-learn,random-forest,hpc,Python,Scikit Learn,Random Forest,Hpc,我正在一个拥有28个CPU和~190GB RAM的集群节点上训练一个sklearn.emble.RandomForestClassifier()。单独训练此分类器运行速度相当快,使用机器上的所有内核,并使用~93GB RAM: x_train,x_test,y_train,y_test=sklearn.model_selection.train_test_split(x,y,test_size=.25,random_state=0) clf=sklearn.ensemble.RandomFor
sklearn.emble.RandomForestClassifier()。单独训练此分类器运行速度相当快,使用机器上的所有内核,并使用~93GB RAM:
x_train,x_test,y_train,y_test=sklearn.model_selection.train_test_split(x,y,test_size=.25,random_state=0)
clf=sklearn.ensemble.RandomForestClassifier(n_estimators=100,
random_state=0,
n_jobs=-1,
max_depth=10,
class_weight='balanced',
warm_start=False,
verbose=2)
clf.fit(x_train,y_train)
输出:
[Parallel(n_jobs=-1)]: Done 88 out of 100 | elapsed: 1.9min remaining: 15.2s
[Parallel(n_jobs=-1)]: Done 100 out of 100 | elapsed: 2.0min finished
CPU times: user 43min 10s, sys: 1min 33s, total: 44min 44s
Wall time: 2min 20s
然而,这种特殊的模型似乎不是最优的,性能大约有80%的正确率。因此,我想使用sklearn.model\u selection.RandomizedSearchCV()
优化模型的超参数。因此,我将搜索设置为:
rfc = sklearn.ensemble.RandomForestClassifier()
rf_random = sklearn.model_selection.RandomizedSearchCV(estimator=rfc,
param_distributions=random_grid,
n_iter=100,
cv=3,
verbose=2,
random_state=0,
n_jobs=2,
pre_dispatch=1)
rf_random.fit(x, y)
但是我找不到有效使用硬件的n_作业
和pre_分派
设置。以下是一些示例运行和结果:
n_jobs pre_dispatch Result
===========================================================================
default default Utilizes all cores but Job killed - out of memory
-1 1 Job killed - out of memory
12 1 Job killed - out of memory
3 1 Job killed - out of memory
2 1 Job runs, but only utilizes 2 cores, takes >230min (wall clock) per model
在运行超参数搜索时,如何获得训练独立的RandomForestClassifier
时看到的性能?独立版本如何并行化,从而不会像网格搜索那样创建我的大型数据集的副本
编辑:
以下参数组合有效地使用了所有核心来训练每个个体RandomForestClassifier
,而无需并行化hyperparameter搜索本身或破坏RAM使用
model = sklearn.ensemble.RandomForestClassifier(n_jobs=-1, verbose=1)
search = sklearn.model_selection.RandomizedSearchCV(estimator=model,
param_distributions=random_grid,
n_iter=10,
cv=3,
verbose=10,
random_state=0,
n_jobs=1,
pre_dispatch=1)
with joblib.parallel_backend('threading'):
search.fit(x, y)
如果单个分类器训练使所有核心都饱和,那么并行gridsearch也不会带来任何好处。为gridsearch设置n_jobs=1,为分类器保留n_jobs=-1。
这应该可以避免内存不足的情况。是的,我也解决了这个问题。同样重要的是强制使用线程后端,而进程分叉正在扼杀我的内存使用。