使用 Scikit-learn 进行 RBF 拟合时出现 MemoryError

Question

如果我运行此代码，我会收到内存错误。有谁知道我可以改进什么？

代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF
import cv2

input = "testProbe.jpg"
# load the image, convert it to grayscale
image = cv2.imread(input)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# threshold the image to reveal light regions in the gray image
thresh = cv2.threshold(gray, 145, 200, cv2.THRESH_BINARY)[1]

# import data
X = np.where(thresh>0)

xx = np.array(X)
xx = np.ravel(xx,order='F')
zz = xx.reshape((int(len(xx)/2),2))
y = np.asarray(np.zeros((widthX, 1), dtype=int))

在这里我编辑 y 来处理数据并获得第二个数据集。

y[1:5] = 1

当我运行这段代码时，出现错误：

gpc_rbf_isotropic = GaussianProcessClassifier().fit(zz, y)

Answer 1

GaussianProcessClassifier()

具有docs中所述的以下参数：

copy_X_train：bool，可选（默认：True）

如果您将其设置为 false，它将为您节省大量内存。

但是，GaussianProcessClassifier 即使对于相当小的数据集也会消耗大量内存。我建议您使用不同的分类器，您可以在其中应用一些降维技术。