支持向量机回归python_在python中SVM回归更快

我正试图加速在python中使用gridsearchcv(用于调整rbf函数的参数)的过程。然而,这需要永远。我有一个适度小的数据集(尺寸600 x 8),所以我不认为尺寸是一个问题。

我听说过这篇文章中的袋装出口:

Making SVM run faster in python

但我似乎无法使它适用于使用gridsearchcv的回归。

下面的代码可以工作,但计算起来需要很长时间。

parameters = {'epsilon': np.arange(0.1, 1.0, 0.01) ,'C': 2.0 **

np.arange(-2, 9), 'gamma': np.arange(0.1, 1.0, 0.01)}

svc = SVR(kernel='rbf')

clf = GridSearchCV(svc, parameters)

clf.fit(X_train, y_train)

所以,我试着这样加快速度:

parameters = {'epsilon': np.arange(0.1, 1.0, 0.01) ,'C': 2.0 **

np.arange(-2, 9), 'gamma': np.arange(0.1, 1.0, 0.01)}

svc = SVR(kernel='rbf')

clf = GridSearchCV(svc, parameters)

clf = BaggingRegressor(clf)

clf.fit(X_train, y_train)

但这根本不能加快进程。

恐怕我不完全理解袋装出口是如何工作的,所以如果有人有什么见解,请告诉我!