每当我开始拥有更多的类（1000个或更多）时，MultinomialNB就会变得超级慢，占用千兆字节的RAM。所有支持.partial_fit（）（SGDClassifier，Perceptron）的scikit学习分类算法也是如此。当使用卷积神经网络时，10000个类是没有问题的。但是，当我想在相同的数据上训练MultinomialNB时，我的12GB RAM是不够的，而且非常非常慢。根据我对朴素贝叶斯的理解，即使有很多类，它也应该快得多。这可能是scikit-learn实现的问题（可能是.partial_fit（）函数的问题）吗？如何在10000+个类上训练MultinomialNB/SGDClassifier/Perceptron（分批）？
没有太多信息的简短回答：
-
MultinomialNB将独立模型适用于每个类，因此，如果您有
C=10000+类，它将适用于C=10000+模型，因此，只有模型参数将是[n_classes x n_features]，如果n_features很大，这将是相当多的内存。 -
scikit学习的SGDC分类器使用OVA（一对一）策略来训练多类模型（因为SGDC本质上不是多类的），因此需要训练另一个
C=10000+模型。 -
和Perceptron，从scikit的文档学习：
感知器和SGD分类器共享相同的底层实现。事实上，Perceptron（）相当于SGD分类器（loss="感知器"，eta0=1，learning_rate="常数"，惩罚=无）。
因此，您提到的所有3个分类器都不能很好地处理大量的类，因为需要为每个类训练一个独立的模型。我建议你尝试一些天生支持多类分类的东西，比如RandomForestClassifier。