Python 缩短sklearn逻辑回归的运行时间

我目前有一个Flask服务器，它接收数据并对其应用逻辑回归算法。然而，我计划将其转换为AWS Lambda函数，我希望算法在时间上尽可能高效

输入如下：

代码的algo部分有几行：

from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression(random_state = 0)
classifier.fit(X_train, y_train)
y_predict_test = classifier.predict(X)
oldlist = classifier.predict_proba(X)
problist = sortProb(oldlist)
return(problist)

目前，处理该过程大约需要2.6秒。有没有办法加快速度

---

感谢

这不是lambda在机器学习管道中通常使用的方式。通常，您会使用lambda进行一些数据格式化，并将结果传递给承载经过训练的模型的SageMaker端点。但对于一些非常小的型号，我想您可以尝试使用lambda作为后端

首先，无论您使用的是lambda还是任何后端，您很可能不想在每次调用端点时训练模型，您只想进行推断（除非我们专门讨论在线学习）

所以，像平常一样离线训练模型，然后使用经过训练的模型进行推理。逻辑回归是一个非常简单的算法（至少是它的推理部分），因此您可以只提取相关参数，并使用适当的推理逻辑将其“硬编码”到lambda函数中

下面是如何提取模型的系数和截距

# This is the offline part
classifier = LogisticRegression(random_state = 0)
classifier.fit(X_train, y_train)

coef, intercept = clf.coef_, clf.intercept_

并在lambda函数中使用这些函数。下面是您可以如何实现它（我在这里使用

numpy

，但是您可以随意实现它）。另外，我省略了lambda的样板代码

# This goes into your lambda function
coef, intercept = # hardcoded parameters here

def sigmoid(X):
    return 1 / (1 + np.exp(-X))

def predict(X, intercept, coef):
    return sigmoid(np.dot(X, coef.T) + intercept)

# compute prediction
predict(X[0], intercept, coef)

---

在样本上运行您的模型这是否回答了您的问题？我不太明白你怎么能在lambda进行离线训练？我希望能够将一个数据帧传递到LogReg算法，并获得一个问题列表。不知道离线是如何工作的。如果你不介意的话，我可以获取你的reddit用户名，这样我就可以带这个车队去聊天了吗？我所说的离线培训是指你在不使用lambda（在你的计算机或你有权访问的某个虚拟服务器上）的情况下执行培训步骤，完成后，您只需提取参数，然后将其硬编码到lambda函数中。这假设您的端点只负责预测，而不负责实际的训练。如果您计划同时进行培训和预测，那么我认为lambda不适合这样的任务，您很可能需要设计不同的策略。