Scikit learn XGBRegressor比GradientBoostingRegressor慢得多

我是新来的

xgboost

，我试图通过与传统的

gbm

进行比较来学习如何使用它。但是，我注意到

xgboost

比

gbm

慢得多。例如：

from sklearn.model_selection import KFold, GridSearchCV
from sklearn.ensemble import GradientBoostingRegressor
from xgboost import XGBRegressor
from sklearn.datasets import load_boston
import time

boston = load_boston()
X = boston.data
y = boston.target

kf = KFold(n_splits = 5)
cv_params = {'cv': kf, 'scoring': 'r2', 'n_jobs': 4, 'verbose': 1}

gbm = GradientBoostingRegressor()
xgb = XGBRegressor()

grid = {'n_estimators': [100, 300, 500], 'max_depth': [3, 5]}

timer = time.time()
gbm_cv = GridSearchCV(gbm, param_grid = grid, **cv_params).fit(X, y)
print('GBM time: ', time.time() - timer)

timer = time.time()
xgb_cv = GridSearchCV(xgb, param_grid = grid, **cv_params).fit(X, y)
print('XGB time: ', time.time() - timer)

在具有8核的Macbook Pro上，输出为：

Fitting 5 folds for each of 6 candidates, totalling 30 fits
[Parallel(n_jobs=4)]: Done  30 out of  30 | elapsed:    1.9s finished
GBM time:  2.262791872024536
Fitting 5 folds for each of 6 candidates, totalling 30 fits
[Parallel(n_jobs=4)]: Done  30 out of  30 | elapsed:   16.4s finished
XGB time:  17.902266025543213

---

我认为xgboost应该快得多，所以我一定是做错了什么。有人能帮我指出我做错了什么吗？

这是在我的机器上运行时的输出，没有在

cv\u参数中设置
n\u作业
参数

Fitting 5 folds for each of 6 candidates, totalling 30 fits
[Parallel(n_jobs=1)]: Done  30 out of  30 | elapsed:    4.1s finished
('GBM time: ', 4.248916864395142)
Fitting 5 folds for each of 6 candidates, totalling 30 fits
('XGB time: ', 2.934467077255249)
[Parallel(n_jobs=1)]: Done  30 out of  30 | elapsed:    2.9s finished

当

n_jobs

设置为4时，GBM的输出为2.5s，但XGB需要很长时间

---

所以这可能是n_工作的问题！可能XGBoost库没有很好地配置为使用GridSearchCV运行n_作业。

这就是我运行代码的原因：

GBM时间：2.1901206970214844 XGB时间：2.563245534896856

。我相信可能是XGBoost库中的

nthreads

，而不是至少某些版本的XGBoost中导致此问题的n_作业。我以前肯定遇到过。是的，我刚找到这个：