首页 / PYTHON / python – 将稀疏矩阵转换为密集矩阵时的MemoryError？ (numpy,scikit)

python – 将稀疏矩阵转换为密集矩阵时的MemoryError？ (numpy,scikit)

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – 将稀疏矩阵转换为密集矩阵时的MemoryError？ (numpy,scikit)，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1574字，纯文字阅读大概需要3分钟。

内容图文

lr = lm.LogisticRegression(penalty='l2', dual=True, tol=0.0001, 
                             C=1, fit_intercept=True, intercept_scaling=1.0, 
                             class_weight=None, random_state=None)

rd = AdaBoostClassifier( base_estimator=lr, 
                                           learning_rate=1, 
                                           n_estimators=20, 
                                           algorithm="SAMME")
##here, i am deleting unnecesseary objects
##print X.shape
##(7395, 412605)
print "20 Fold CV Score: ", np.mean(cross_validation.cross_val_score(rd, X, y, cv=20, scoring='roc_auc'))

当我运行这个我得到这个错误：

TypeError: A sparse matrix was passed, but dense data is required. Use
X.toarray() to convert to a dense numpy array.

然后,我改变了我的代码：

print "20 Fold CV Score: ", np.mean(cross_validation.cross_val_score(rd, X.toarray(), y, cv=20, scoring='roc_auc'))

现在,我有以下例外：

  File "/usr/lib/python2.7/dist-packages/scipy/sparse/compressed.py", line 559, in toarray
    return self.tocoo(copy=False).toarray(order=order, out=out)
  File "/usr/lib/python2.7/dist-packages/scipy/sparse/coo.py", line 235, in toarray
    B = self._process_toarray_args(order, out)
  File "/usr/lib/python2.7/dist-packages/scipy/sparse/base.py", line 628, in _process_toarray_args
    return np.zeros(self.shape, dtype=self.dtype, order=order)
MemoryError

有什么建议可以解决这个问题？

解决方法:

MemoryError意味着系统上没有足够的RAM来分配矩阵.为什么？好吧,7395 x 412605矩阵有3,051,213,975个元素.如果它们在默认的float64(通常是C中的两倍)数据类型中,则为22.7GB.如果你转换为低精度float32s(通常在C中浮动),它将是11.4GB;也许这可以在你的机器上操作.不过,它仍然会很慢.

似乎AdaBoostClassifier不支持稀疏输入(如您所见,in the code here).我不知道算法是否需要密集表示,或者只是实现假设.

内容总结

以上是互联网集市为您收集整理的python – 将稀疏矩阵转换为密集矩阵时的MemoryError？ (numpy,scikit)全部内容，希望文章能够帮你解决python – 将稀疏矩阵转换为密集矩阵时的MemoryError？ (numpy,scikit)所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/757987.html

来源：【匿名】