为什么带有铰链损失的 SGDClassifier 比 scikit-learn 中的 SVC 实现更快答案

【问题标题】：Why SGDClassifier with hinge loss is faster than SVC implementation in scikit-learn为什么带有铰链损失的 SGDClassifier 比 scikit-learn 中的 SVC 实现更快
【发布时间】：2020-05-20 12:26:49
【问题描述】：

众所周知，对于支持向量机，我们可以使用 SVC 以及带有铰链损失实现的 SGDClassifier。具有铰链损失实现的 SGDClassifier 是否比 SVC 更快。为什么？

scikit-learn 中两种 SVC 实现的链接：
SVC
SGDClassifier

我在 sci-kit 的文档页面上读到 SVC 使用 libsvm 库的一些算法进行优化。而 SGDClassifier 使用 SGD（显然）。

【问题讨论】：

你做过研究吗？
是的，主要问题是 SVC 使用 libsvm，而 SGDC 使用 liblinear，LinearSVC 使用 liblinear，因此执行时间将与 SGDC 相当

标签： python machine-learning scikit-learn svm gradient-descent

【解决方案1】：

也许开始尝试一些实际案例并阅读代码会更好。开始吧……

首先，如果我们阅读 SGDC 的文档，它说仅使用线性 SVM：

带有 SGD 训练的线性分类器（SVM、逻辑回归、a.o.）

如果我们不使用通常的 SVC，而是使用 LinearSVC 会怎样？

与参数 kernel='linear' 的 SVC 类似，但根据 liblinear 而不是 libsvm 实现，因此它在选择惩罚和损失函数方面具有更大的灵活性，并且应该更好地扩展到大量样本。

让我们为这三种类型的算法添加一个示例：

from sklearn.svm import SVC
from sklearn.linear_model import SGDClassifier
from sklearn.svm import LinearSVC
from sklearn import datasets
import numpy as np

iris = datasets.load_iris()
X = np.random.rand(20000,2)

Y = np.random.choice(a=[False, True], size=(20000, 1))

# hinge is used as the default
svc = SVC(kernel='linear')

sgd = SGDClassifier(loss='hinge')

svcl = LinearSVC(loss='hinge')

使用 jupyter 和命令 %%time 我们得到执行时间（你可以在普通 python 中使用类似的方式，但我是这样做的）：

%%time
svc.fit(X, Y)

持续时间：5.61 秒

%%time
sgd.fit(X, Y)

持续时间：24 毫秒

%%time
svcl.fit(X, Y)

持续时间：26.5ms

正如我们所见，它们之间存在巨大差异，但线性和 SGDC 或多或少具有相同的时间。时间总是有点不同，但这总是会发生，因为每个算法的执行不是来自相同的代码。

如果你对每个实现感兴趣，我建议你使用新的 github 阅读工具阅读 github 代码，真的很棒！

linearSVC的代码

SGDC的代码

【讨论】：

【解决方案2】：

与 loss='hinge' 的 sklearn SGD 分类器相比，sklearn SVM 的计算成本更高。因此我们使用更快的 SGD 分类器。这仅适用于线性 SVM。如果我们使用 'rbf' 内核，则 SGD 不适合。

【讨论】：

【解决方案3】：

我认为这是因为 SGD 中使用的批量大小，如果您使用带有 SGD 分类器的全批量，它应该与 SVM 花费相同的时间，但更改批量大小可以导致更快的收敛。

【讨论】：