sklearn 分类运行时间

Question

我正在尝试在一个数据集上运行分类算法，但在使用sklearn的PCA模块时遇到了一些问题。

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.decomposition import PCA

train = pd.DataFrame.from_csv('testData.csv')
target = train['is_exciting']
test.drop(['is_exciting'], axis = 1, inplace = True)

np.shape(train)

>>>(619326, 62)

model = RandomForestClassifier(n_estimators=100)

如果我直接把原始训练数据输入到分类器中，运行时间大约是20分钟：

model.fit(train, target)

但是，当我尝试另一个版本，先用PCA转换我的数据时，它在3小时内都没有完成运行。（最后我只好强制结束它。）

pca = PCA(n_components=10)
x = pca.fit_transform(train)

print np.shape(x)

>>>(619326L, 10L)

model.fit(x, target)

这是怎么回事呢？我以为用PCA减少了52个变量后，运行会快很多，但看起来根本不想运行！这是不是和传入numpy数组和pandas数据框有关？我的数据框里要么是1和0的标志（整数），要么是z分数值（我想是浮点数）。我有点困惑，任何帮助都很欢迎！

Answer 1

我能做的最好的事情就是减少PCA数据集中的特征数量。当我使用7个特征时，运行得比较快，但一旦我增加到10个特征，就一直没能完成。我不太确定这是否跟数据的开发有关，但最后我还是选择了7个特征，结果输出也没有出现什么问题。