Scikit learn 如何限制sklearn中岭回归模型使用的处理器数量？

我想对不同的机器学习模型做一个公平的比较。但是，我发现岭回归模型将自动使用多个处理器，并且没有参数可以限制使用的处理器数量（例如n_作业）。有什么可能的办法解决这个问题吗

一个简单的例子：

从sklearn.datasets导入进行回归
从sklearn.linear_模型导入RidgeCV
特征，目标=make_回归（n_样本=10000，n_特征=1000）
r=脊状CV（）
r、 适合（特征、目标）
打印（r.分数（特征、目标））

此处尝试查看此处，我认为您可以使用njobs参数设置计算的内核数。

如果您将环境变量

OMP\u NUM\u THREADS

设置为

n

，您将获得预期的行为。例如，在linux上，请在终端中导出OMP_NUM_THREADS=1，以限制使用1个cpu

根据您的系统，您还可以直接在python中进行设置。例如，请参见基于for

RidgeCV的：

具有内置交叉验证的岭回归

默认情况下，它执行遗漏交叉验证，这是一种有效的遗漏交叉验证形式

默认情况下，您使用
None
-来使用有效的遗漏交叉验证

另一种方法是
岭回归
和
交叉验证
：

from sklearn.model_selection import cross_val_score
from sklearn.linear_model import Ridge
clf = Ridge(a)
scores = cross_val_score(clf, features, target, cv=1, n_jobs=1)
print(scores)

另请参阅和的文档。
试图在@PV8 answer上进一步展开，当您实例化
RidgeCV（）
的实例而不显式设置
cv
参数（如您的情况）时，会发生什么情况，即运行一个有效的遗漏交叉验证（根据参考的算法，实现）

另一方面，当将
cv
参数显式传递到
RidgeCV（）
时，会发生以下情况：

  model = Ridge()
  parameters = {'alpha': [0.1, 1.0, 10.0]}
  gs = GridSearchCV(model, param_grid=parameters)
  gs.fit(features, target)
  print(gs.best_score_)

（如您所见），即您将使用默认的
n_jobs=None

最重要的是，正如
sklearn
核心开发人员之一所指出的，您正在试验的问题可能不依赖于
sklearn
，而是依赖于

[…]您的numpy设置以并行方式执行矢量化操作

（矢量化操作在计算效率高的LOO交叉验证过程中执行，您通过不将
cv
传递到
RidgeCV（）
）隐式调用该过程）。
不幸的是，这不是一个有用的度量。您的操作系统是什么？