[Perf #478] KernelSVC predict: eliminate remaining small-shape inference loss and preserve Digits win

Aperta
#481 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
4/5
Tempo stimato
3-5 giorni
Idoneità per principianti
45/100
Tipo di issue
Refactoring
Chiarezza
Abbastanza chiara
Stato di attività
Attiva
Stack tecnologico
python, scikit-learn
Ambito
machine-learning, performance

Direzione di ricerca

Inizia profilando il percorso di predizione di KernelSVC separatamente da fit, includendo l’attraversamento dei vettori di supporto, il calcolo della distanza RBF, la vettorizzazione, il layout di memoria, il batching e il voto multiclasse. Genera quindi curve scalate solo per la predizione in funzione del numero di vettori di supporto, del numero di feature e delle dimensioni dei batch, quindi aggiorna il generatore di artefatti e le affermazioni obsolete sulla base delle evidenze; il lavoro è completato quando i regimi supportati raggiungono >=1.05x oppure vengono documentati una perdita tracciata e la sua causa.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Parent: #478

Canonical v2 prediction is dataset-sensitive: Iris Flow predict 0.118 ms vs sklearn 0.150 ms is already faster, while current end-to-end Iris still loses because fit dominates; Digits Flow predict 17.96 ms vs sklearn 25.86 ms is also faster. The older architecture map still describes SVC.predict as a loser, so inference evidence is stale/inconsistent across artifacts.

Audit the prediction path separately from fit. Profile support-vector traversal, RBF distance calculation, vectorization, memory layout, batching and multiclass voting. Establish whether any size regime still loses and remove stale claims when it does not.

Acceptance: prediction-only scaled curves across support-vector counts/features/batch sizes; artifact generator must use current prediction evidence; no fit timing mixed into predict classification; target >=1.05x across supported inference regimes or a specific tracked loss with cause.

Lingua principale
Python
Stelle
2
Fork
0
Merge medio
4h 33m
PR unite (30g)
9

Guida per i contributori

Nessuna guida per i contributori indicizzata per questo repository

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di godofecht/flow-scikit

Tutte le issue di godofecht/flow-scikit

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.