将逻辑回归模型拟合到 MNIST 数据需要很长时间答案

【问题标题】：Fitting Logistic Regression model to MNIST data takes very long将逻辑回归模型拟合到 MNIST 数据需要很长时间
【发布时间】：2019-09-15 11:43:32
【问题描述】：

我正在尝试将 sklearn 中的 LogisticRegression 模型应用于 MNIST 数据集，并且我已将训练 - 测试数据拆分为 70-30 拆分。

但是，当我简单地说 model.fit(train_x, train_y) 需要很长时间。

我在启动逻辑回归时没有添加任何参数。

代码：

import seaborn as sns
import matplotlib
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_mldata
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

import tempfile

test_data_home = tempfile.mkdtemp()
mnist = fetch_mldata('MNIST original', data_home = test_data_home)


x_train, x_test, y_train, y_test = train_test_split(mnist.data, mnist.target, test_size = 0.30, random_state = 0)

lr = LogisticRegression(penalty = 'l2')
lr.fit(x_train, y_train)

【问题讨论】：

你能分享你正在运行的代码吗？还有你机器的规格？
@alift 为规格和代码添加了图片
将有助于查看代码，并告诉您大约需要多长时间才能获得结果？ 10分钟？ 1小时？等
@alift 花了大约 20 分钟来使模型适应数据。这两行字面上就是我到目前为止所做的。
嗯，你的规格对我来说似乎不错，但 20 分钟太多了。恐怕我无法帮助您，因为您没有共享代码，仅用您共享的两行代码就找不到问题。如果您不愿意分享代码，请看这里，看看您在做什么不同，希望对您有所帮助：scikit-learn.org/stable/auto_examples/linear_model/…。祝你好运

标签： machine-learning scikit-learn classification logistic-regression

【解决方案1】：

首先，MINST 不是二分类，而是多分类。所以关于 scikit-learn 中的文档：

multi_class : str, {'ovr', 'multinomial', 'auto'}，默认值：'ovr' If 选择的选项是“ovr”，那么每个二元问题都适合标签。对于“多项式”，最小化的损失是多项式损失适合整个概率分布，即使数据是二进制。当solver='liblinear'时，'multinomial'不可用。 '汽车' 如果数据是二进制的，或者如果solver='liblinear'，则选择'ovr'，并且否则选择“多项式”。

您需要在创建模型时强调它。

由于 MINST 具有相同数量级的功能，我相信如果您明确将您的求解器称为 saga，它的收敛速度比其他求解器更快。

所以我会以 Scikitlearn here 为例设置训练参数，并将您的代码更改为：

lr = LogisticRegression(C=50. / train_samples,
                         multi_class='multinomial',
                         penalty='l1', solver='saga', tol=0.1)
lr.fit(x_train, y_train)

【讨论】：

【解决方案2】：

您提出的问题似乎相当模糊，但我相当确定您的逻辑回归没有收敛。除非您担心过度拟合，否则我不确定为什么现在要包含“L2”惩罚项。无论如何，如果您查看sklearn docs，它会说：

用于优化问题的算法。

对于小型数据集，“liblinear”是一个不错的选择，而“sag”和“saga”对于大型数据集来说更快。对于多类问题，只有“newton-cg”、“sag”、“saga”和“lbfgs”处理多项损失； “liblinear”仅限于一对一的方案。 “newton-cg”、“lbfgs”和“sag”只处理 L2 惩罚，而“liblinear”和“saga”处理 L1 惩罚。请注意，“sag”和“saga”的快速收敛仅在具有大致相同规模的特征上得到保证。您可以使用 sklearn.preprocessing 中的缩放器对数据进行预处理。

我会立即建议您添加参数 `solver = sag'（或任何其他可以处理 L2 惩罚的求解器），因为文档明确指出只有某些求解器可以处理 L2 惩罚，并且 默认求解器仅限 liblinear处理 L1 罚分。有一篇关于逻辑回归求解器的非常棒的帖子，您可以查看您的数据集：
Solvers for Logistic Regression

请记住，L2 和 L1 正则化是为了处理过度拟合，因此，您甚至可以更改 lr 定义中的 C 参数。请查看 sklearn 文档以获取更多信息。希望这可以帮助。

【讨论】：