使用fit（）函数时，Scikit学习GaussianProcessClassifier内存错误

Question

我有X_train和y_train作为2 numpy.ndarrays的大小分别为（32561，108）和（32561，）。

每次我调用适合GaussianProcessClassifier的函数时，都会收到内存错误。

>>> import pandas as pd
>>> import numpy as np
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import RBF
>>> X_train.shape
(32561, 108)
>>> y_train.shape
(32561,)
 >>> gp_opt = GaussianProcessClassifier(kernel=1.0 * RBF(length_scale=1.0))
>>> gp_opt.fit(X_train,y_train)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/home/retsim/.local/lib/python2.7/site-packages/sklearn/gaussian_process/gpc.py", line 613, in fit
    self.base_estimator_.fit(X, y)
  File "/home/retsim/.local/lib/python2.7/site-packages/sklearn/gaussian_process/gpc.py", line 209, in fit
    self.kernel_.bounds)]
  File "/home/retsim/.local/lib/python2.7/site-packages/sklearn/gaussian_process/gpc.py", line 427, in _constrained_optimization
    fmin_l_bfgs_b(obj_func, initial_theta, bounds=bounds)
  File "/home/retsim/anaconda2/lib/python2.7/site-packages/scipy/optimize/lbfgsb.py", line 199, in fmin_l_bfgs_b
    **opts)
  File "/home/retsim/anaconda2/lib/python2.7/site-packages/scipy/optimize/lbfgsb.py", line 335, in _minimize_lbfgsb
    f, g = func_and_grad(x)
  File "/home/retsim/anaconda2/lib/python2.7/site-packages/scipy/optimize/lbfgsb.py", line 285, in func_and_grad
    f = fun(x, *args)
  File "/home/retsim/anaconda2/lib/python2.7/site-packages/scipy/optimize/optimize.py", line 292, in function_wrapper
    return function(*(wrapper_args + args))
  File "/home/retsim/anaconda2/lib/python2.7/site-packages/scipy/optimize/optimize.py", line 63, in __call__
    fg = self.fun(x, *args)
  File "/home/retsim/.local/lib/python2.7/site-packages/sklearn/gaussian_process/gpc.py", line 201, in obj_func
    theta, eval_gradient=True)
  File "/home/retsim/.local/lib/python2.7/site-packages/sklearn/gaussian_process/gpc.py", line 338, in log_marginal_likelihood
    K, K_gradient = kernel(self.X_train_, eval_gradient=True)
  File "/home/retsim/.local/lib/python2.7/site-packages/sklearn/gaussian_process/kernels.py", line 753, in __call__
    K1, K1_gradient = self.k1(X, Y, eval_gradient=True)
  File "/home/retsim/.local/lib/python2.7/site-packages/sklearn/gaussian_process/kernels.py", line 1002, in __call__
    K = self.constant_value * np.ones((X.shape[0], Y.shape[0]))
  File "/home/retsim/.local/lib/python2.7/site-packages/numpy/core/numeric.py", line 188, in ones
    a = empty(shape, dtype, order)
MemoryError
>>> 

为什么会出现此错误，该如何解决？

Answer 1

根据 Scikit-Learn文档，估计器GaussianProcessClassifier（以及GaussianProcessRegressor）有一个参数copy_X_train，默认设置为True：

class sklearn.gaussian_process.GaussianProcessClassifier(kernel=None, optimizer='fmin_l_bfgs_b', n_restarts_optimizer=0, max_iter_predict=100,warm_start=False, copy_X_train=True, random_state=None, multi_class='one_vs_rest'1)

参数copy_X_train 的说明指出：

如果为 True，则将训练数据的持久副本存储在对象中。否则，只会存储对训练数据的引用，如果从外部修改数据，这可能会导致预测发生变化。

我曾尝试在具有 32 GB RAM 的 PC 上使用 OP 提到的类似大小的训练数据集（观察和特征）拟合估计器。将copy_X_train设置为True，“训练数据的持久副本”可能会占用我的 RAM，从而导致MemoryError. 将此参数设置为False修复了该问题。

Scikit-Learn 的描述指出，基于此设置，“仅存储对训练数据的引用，如果外部修改数据，可能会导致预测发生变化”。我对这个声明的解释是：

不是在拟合估计器中存储整个训练数据集（以基于n 个观测值的大小为nxn的矩阵的形式），而是只存储对该数据集的引用 - 从而避免了高 RAM 使用。只要数据集在外部保持完整（即不在拟合估计器内），就可以在必须进行预测时可靠地获取它。数据集的修改会影响预测。

可能会有更好的解释和理论解释。

Answer 2

在的第400gpc.py行中，您正在使用的分类器的实现中，创建了一个矩阵，其大小为(N, N)，其中N为观察数。因此，代码正在尝试创建形状矩阵(32561, 32561)。这显然会引起一些问题，因为该矩阵有十亿多个元素。

至于为什么这样做，我真的不知道scikit-learn的实现，但是总的来说，高斯过程需要估计整个输入空间的协方差矩阵，这就是为什么如果您拥有高维数据，它们就不那么好。（文档说“高维数”大于几十。）

关于修复的唯一建议是分批工作。Scikit-learn可能有一些实用程序可以为您生成批处理，或者您可以手动进行。