SK
у нас в какой-то момент была бага про скорость применения на одном объекте, но вроде она должна была пофикситься
Size: a a a
2020 June 28
SK
возможно регрессию словили
SK
Этот вид деревьев включен по умолчанию
SK
а вы применяетесь к numpy.array, pandas.dataframe или к catboost.Pool?
AK
16 ядер на машине
AK
xgboost
AK
LGBMClassifier
SK
Будет здорово, если заведешь ишью, чтоб не потерялось. Вообще, на самом деле понятно, почему у нас медленнее на 16 потоках - мы, в отличие от xgboost используем не openmp тредпул, а свой тредпул, и создаем его каждый раз. это надо пофиксить. По поводу в 2 раза большего времени применения, это очень странно, надо посмотреть профиль. Так что в любом случае issue нам поможет
AK
не пойму впринципе при каком кейсе catboost быстрее предсказывает
AK
запустил в колабе, там 2 ядра
AK
может я как-то не так замеряю, или другие параметры нужно задать
SK
попробуй вместо одного ряда применяться на 10к, например
AK
мне критично время предсказания
для lightgbm и xgboost есть еще библитека treelite которая ускорит predict еще минимум раза в 2
для lightgbm и xgboost есть еще библитека treelite которая ускорит predict еще минимум раза в 2
SK
тут увидишь заметную разницу
SK
но еще раз, то что у нас медленее, это упячка и это починить нужно
SK
вообще, оптимально в любом случае применяться на пачке объектов