Scikit-Learn 逻辑回归内存错误

Question

我正在尝试使用 sklearn 0.11 的 LogisticRegression 对象来拟合具有大约 80,000 个特征的 200,000 个观察值的模型。目标是将短文本描述分类为 800 个类别中的 1 个。

当我尝试拟合分类器时，pythonw.exe 给了我：

应用程序错误“...处的指令引用了 0x00000000 处的内存”。内存无法写入”。

这些特征非常稀疏，每次观察大约 10 个，并且是二进制的（1 或 0），所以根据我的信封计算，我的 4 GB RAM 应该能够处理内存需求，但这并没有t 似乎是这样。只有当我使用更少的观察和/或更少的特征时，模型才适合。

如果有的话，我想使用更多的观察和特征。我天真的理解是，在幕后运行的 liblinear 库能够支持这一点。有什么想法可以让我加入更多观察吗？

我的代码如下所示：

y_vectorizer = LabelVectorizer(y) # my custom vectorizer for labels
y = y_vectorizer.fit_transform(y)

x_vectorizer = CountVectorizer(binary = True, analyzer = features)
x = x_vectorizer.fit_transform(x)

clf = LogisticRegression()
clf.fit(x, y)

我传递给分析器的 features() 函数只返回一个字符串列表，指示在每个观察中检测到的特征。

我使用的是 Python 2.7、sklearn 0.11、具有 4 GB RAM 的 Windows XP。

Answer 1

liblinear（sklearn.linear_model.LogisticRegression 的支持实现）将托管自己的数据副本，因为它是一个 C++ 库，其内部内存布局不能直接映射到 scipy 中预先分配的稀疏矩阵，例如 scipy.sparse.csr_matrix 或scipy.sparse.csc_matrix.

在您的情况下，我建议将您的数据加载为scipy.sparse.csr_matrix 并将其提供给sklearn.linear_model.SGDClassifier（如果您想要逻辑回归模型并能够调用predict_proba 方法，则使用loss='log'）。如果SGDClassifier 已经在使用scipy.sparse.csr_matrix 内存布局，则SGDClassifier 将不会复制输入数据。

预计它会在内存中分配 800 * (80000 + 1) * 8 / (1024 ** 2) = 488MB 的密集模型（除了输入数据集的大小）。

编辑：如何优化数据集的内存访问

要在数据集提取后释放内存，您可以：

x_vectorizer = CountVectorizer(binary = True, analyzer = features)
x = x_vectorizer.fit_transform(x)
from sklearn.externals import joblib
joblib.dump(x.tocsr(), 'dataset.joblib')

然后退出这个python进程（强制完成内存释放）并进入一个新进程：

x_csr = joblib.load('dataset.joblib')

在 linux / OSX 下，您可以通过以下方式更有效地进行内存映射：

x_csr = joblib.load('dataset.joblib', mmap_mode='c')