Говоря о машинном обучении, нейронных сетях и тому подобному, у многих появляется ассоциация с мощным железом, огромными вычислительными мощностями и невероятным количеством денег. На практике — многие ML (и не только) алгоритмы завязаны далеко не на тупой мощи вычислительной машины. Часть из них действительно ускоряется (и даже в разы) при добавлении ресурсов, другие — не реагируют, а некоторые могут даже создать лишние расходы и потерять в скорости.
В данной статье будет рассмотрено 5 разных алгоритмов машинного обучения, с наглядным сравнением их скорости работы на разных аппаратных ресурсах.
Выбор алгоритмов
Для исследования было решено взять алгоритмы из относительно разных категорий, чтобы сравнение было не внутри одного класса методов, а между подходами к обучению, для полноты картины.
Ridge — выбран как базовый ориентир: классическая линейная модель с аналитическим решением, которая не итерируется и не строит деревьев.
XGBoost — де‑факто стандарт среди бустингов на табличных данных, библиотека с многолетней историей оптимизации под скорость и многопоточность.
LightGBM взят как прямой конкурент XGBoost, заявляющий ещё более агрессивную оптимизацию скорости за счёт гистограммного подхода к построению деревьев.
CatBoost интересен тем, что разработчики особо акцентируют поддержку параллельного и GPU‑обучения.
HistGradientBoosting из sklearn закрывает картину как представитель того же семейства бустингов, но реализованный в библиотеке общего назначения, где скорость никогда не была приоритетом.
Методика эксперимента
Каждый алгоритм обучался в двух режимах: с использованием всех доступных ядер (4 ядра) и с ограничением до одного. Обучающая выборка составила 144 305 семплов. Задача финальной модели — предсказать выручку магазина на несколько будущих месяцев. Поскольку у разных алгоритмов разные критерии остановки, итоговое качество намеренно приведено к единому уровню с помощью метрики MAPE — нормализованное среднее отклонение от правильного ответа, ну или просто, на сколько процентов в среднем ошибается модель.
Однако, данная метрика использовалась только чтобы подтвердить схождение моделей на сопоставимом уровне качества.
Полученные данные
Для работы в многопоточном режиме (4 потока) были получены следующие результаты
Алгоритм | MAPE,% | Время обучения, сек |
CatBoost | 5.5855 | 65.444 |
LightGBM | 3.3126 | 4.893 |
XGBoost | 3.1375 | 6.677 |
HistGradientBoosting | 3.8312 | 9.071 |
Ridge | 14.1482 | 0.166 |
Для работы в однопоточном режиме
Алгоритм | MAPE,% | Время обучения, сек |
CatBoost | 5.5855 | 93.203 |
LightGBM | 3.3126 | 5.644 |
XGBoost | 3.1375 | 8.599 |
HistGradientBoosting | 3.8312 | 4.526 |
Ridge | 14.1482 | 0.051 |
Для наглядности (к сожалению Ridge не видно, а умножать на 100 не захотел для сохранения масштаба) приведём гистограмму:
Результаты оказались неоднозначными: три алгоритма действительно выиграли от добавления ядер: CatBoost ускорился на 29.8%, XGBoost на 22.4%, LightGBM на 13.3%. Все они изначально проектировались с расчётом на параллельное выполнение, поэтому результат предсказуем.
Куда интереснее ведут себя HistGradientBoosting и Ridge. Первый при переходе на 4 ядра стал медленнее вдвое (+100.4%), второй же замедлился более чем в три раза (+225.5%). Это произошло так как у обоих алгоритмов нет архитектурного фундамента для эффективной параллелизации. В случае Ridge задача решается одним матричным уравнением и дополнительные ядра только добавляют накладные расходы на координацию потоков. HistGradientBoosting из sklearn демонстрирует схожую картину — библиотека не оптимизировалась под скорость, и при многопоточности эти издержки явно заметны.
Теоретическая база и закон Амдала
В 1967 году Джин Амдал сформулировал закон о максимальном ускорении системы при распараллеливании.
S(n) — теоретическое ускорение при n ядрах, n — кол‑во ядер, p — доля задачи которая поддаётся параллелизации от нуля до единицы включительно, соответственно (1-p) — доля задачи которую невозможно параллелизовать (строго последовательная часть).
При стремлении n к бесконечности ускорение упирается в потолок 1 разделить на (1 - p). Если последовательная часть составляет хотя бы 10% задачи, никакое количество ядер не даст ускорения больше чем в 10 раз.
Алгоритмы принципиально различаются по тому, насколько велика их последовательная часть:
Ridge — уникальный случай, задача сводится к решению системы нормальных уравнений аналитически, через одно матричное разложение. Параллельная доля p приблизительно равная 0, потолок ускорения равен единице, а накладные расходы на запуск потоков и синхронизацию только ухудшают картину.
HistGradientBoosting также потерял в скорости, но по другой причине: sklearn проектировался как универсальная библиотека, а не как высокопроизводительный фреймворк. Координация потоков здесь обходится дороже, чем выигрыш от параллельного выполнения.
XGBoost, LightGBM и CatBoost, напротив, распределяют построение деревьев по ядрам на уровне гистограмм и сплитов — это и есть та самая параллельная доля p, которая у них достаточно велика, чтобы ускорение было ощутимым даже при скромных четырёх ядрах. Ограничения тут другие: CatBoost использует аналитические алгоритмы оптимизации и проводит преобразования категориальных признаков — это последовательные операции, которые и не дают ему приблизиться к теоретическому максимуму.
Практические рекомендации
Если требуется оптимизация по скорости при распараллеливании задач, то стоит взять что‑то из адаптивных моделей (в нашем случае XGBoost, LightGBM).
Если данные содержат много категориальных признаков, CatBoost оправдывает своё место несмотря на высокое абсолютное время: он берёт на себя кодирование категорий автоматически и при этом выдаёт конкурентное качество без ручного feature engineering.
HistGradientBoosting из sklearn имеет право на жизнь в одном сценарии: прототипирование и быстрые эксперименты в среде, где уже есть sklearn и нет желания тащить дополнительные зависимости. Масштабировать его под многоядерность — контрпродуктивно, что наш эксперимент наглядно подтвердил.
Ridge и линейные модели в целом живут в другой нише — там где данных мало, нужна интерпретируемость или скорость инференса критичнее скорости обучения.
Заключение
Результаты эксперимента однозначно показывают: масштабируемость алгоритма машинного обучения определяется не количеством доступных ядер, а архитектурой самого алгоритма и качеством его реализации в конкретной библиотеке.