如何让scikit-learn Nearest Neighbors算法运行得更快？

Question

我正在尝试运行基于文本的推荐系统，从大约56K零件的文件中找到零件的类别：例如：铜管 - >电线，电视 - >电子产品等

但是，在我的8GB RAM系统中运行时，获取推荐系统输出大约需要4个小时。我尝试在一个大约32 GB的ram上运行相同的脚本，但是计算时间没有任何改进，这仍然需要4个小时。推荐系统的训练集约为11k。

如何让我的推荐系统运行得更快？似乎脚本没有有效地利用内存。任何帮助将不胜感激。

注意：显示的示例仅用于说明，原始数据集要复杂得多。

from sklearn.neighbors import NearestNeighbors

#Code for recommendation system
def recommendhts(x,model,train):
    distance,index=model.kneighbors(x.toarray(),n_neighbors=1)
    mi=distance.argmax()
    idx=index[mi][0]
    return(train.iloc[idx]['sHTS'],distance[0][0])

#Training the model of training set
train=pd.read_csv('train0207190144.csv')
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(train['keywords'])
x=X.toarray()
df=pd.DataFrame(x,columns=vectorizer.get_feature_names())
model=NearestNeighbors(metric='correlation',n_neighbors=1)
model.fit(df)
vect=vectorizer.fit(train['keywords'])

#Fitting the Count vectoriser on keywords(product description to be queried)

x_new=vect.transform(product['keywords'])

for i in range(len(product)):
    key=x_new[i]
    output,probability=recommendhts(key,model,train)

编辑：我正在附加评论中建议的Code profiling results分析结果的快照。我运行了1000行的样本，所用的时间约为1085秒。

Answer 1

首先，您肯定需要分析您的代码。我建议在IPython / Jupyter中使用%prun magic命令来获取profiling your script。

其他一些事情要尝试

1. 设置'n_jobs'参数以在进行预测时允许并行。

   # setting n_jobs=2 will use 2 cores; setting n_jobs=-1 will use all cores
   model=NearestNeighbors(metric='correlation',n_neighbors=1, n_jobs=2)

2. 我不清楚重新装配vectorizer是必要的。 vect=vectorizer.fit(train['keywords']) # can be removed?

最后，您应该能够对预测进行矢量化并替换for循环，但这需要重构您的推荐系统，如果没有更多信息，我无法帮助您。