训练 SVM 分类器需要多少时间？答案

【问题标题】：How much time does take train SVM classifier?训练 SVM 分类器需要多少时间？
【发布时间】：2013-08-12 11:29:54
【问题描述】：

我编写了以下代码并在小数据上进行了测试：

classif = OneVsRestClassifier(svm.SVC(kernel='rbf'))
classif.fit(X, y)

其中X, y（X - 30000x784 矩阵，y - 30000x1）是 numpy 数组。在小数据算法上效果很好，给我正确的结果。

但我在大约 10 小时前运行了我的程序……它仍在进行中。

我想知道需要多长时间，还是以某种方式卡住了？（笔记本电脑规格 4 GB 内存，Core i5-480M）

【问题讨论】：

所以呃...30000 维和 30000 X 784 点...我在机器学习方面工作的时间并不长，但这是一个非常大且高维的特征向量...我愿意花费这么长时间并不觉得太令人惊讶...您可以尝试减小尺寸以加快速度...
@Roy 减少训练实例的数量将比核方法的降维更有效。
@MarcClaesen 必须相信你的话，我自己也不过是个新手。

【解决方案1】：

SVM 训练可以任意长，这取决于几十个参数：

一般来说，基本的 SMO 算法是O(n^3)，因此在30 000 数据点的情况下，它必须运行与2 700 000 000 000 成正比的操作数，这确实是一个巨大的数字。你有什么选择？

【讨论】：

在考虑真正的大问题时，内核计算时间通常不是问题。 RBF 和多项式之间的区别是无关紧要的。内核复杂性的唯一方面是线性与其他方面。此外，训练复杂度范围从O(n^2)（小C）到O(n^3)（大C）。第三，输入维度在整体复杂性中并不重要（这是训练实例数量的函数，而不是维度）。
谢谢。该参数 C 使算法工作得更慢，我没有考虑过。并且不知道 rbf 是最复杂的内核 - 但这是真的，当我在“poly”上更改内核时，它会在 2 小时内给出结果。
@Marc - 感谢 cmets。 RBF 和多项式之间存在巨大差异 - 不是因为核函数本身很复杂，而是因为诱导的 RHKS 是复杂的，这就是优化发生的地方。其次，O(n^3) 是上限，显然对于小 C 来说它更快。三维很重要，因为它在每个内核计算的成本中（不太重要），并且因为它参与了诱导 RHKS 复杂性的复杂性（更重要）