首先，你不傻。我们都在这里学习。
其次，我查看了您的代码，现在可以更仔细地看到问题。
下面的代码有效，但它没有提供任何有用的东西（也不会导致任何加速）。我将尝试解释原因。
library(iterators)
library(foreach)
library(doParallel)
library(mfe)
data = iris
# foreach
split = detectCores()
eachStart = 25
# set up iterators
iters = iter(rep(eachStart, split))
# set up combine function
cl = makeCluster(split)
registerDoParallel(cl)
result = foreach(nstart=iters, .packages = c("iterators", "mfe")) %dopar% {
metafeatures(Species ~ ., iris, groups=c("general", "statistical", "model.based"))
}
stopCluster(cl)
这将返回一个长度等于您机器上的核心数的列表，但列表中的所有元素都将完全相同。你没有得到加速（事实上，如果你使用它，你的代码会运行得更慢），因为你所做的只是运行完全相同的一段代码 n =（你机器上的核心数）次数，即：
metafeatures(Species ~ ., iris, groups=c("general", "statistical", "model.based"))
您不会遍历 foreach 循环中的任何内容来为并行运行带来任何好处。并行运行的总体想法（无论如何，在这种情况下）是在每个工作节点上运行完全相同的代码（即函数），但在每次调用中函数参数的输入不同。在 for 循环的上下文中，您可以将其视为 for 循环的单个迭代被发送到计算机上的单个工作程序（拆分，如您在代码中定义的那样）。当然的好处是，如果您的计算机上有许多内核，则可以同时计算 for 循环的不同迭代（与在单核机器上相比，您必须处理 for 的单个迭代一次循环一个）。
这是我能想到的一个可以考虑并行运行的示例：良好的旧 k 折交叉验证。每个生成的训练集都接受完全相同的预处理，但您所改变的只是构成训练集和测试集的折叠。
这可以这样写：
library(foreach)
library(doParallel)
library(caret)
library(e1071)
library(tidyverse)
data = iris
cl = makeCluster(detectCores())
#Generate three folds from our dataset
folds = createFolds(y = data$Species, k = 3)
#Train a support vector machine in parallel using foreach. Returns the predictions from the fitted model.
results = foreach(i = 1:length(folds), .packages = c("caret", "e1071", "tidyverse")) %dopar% {
training = data[-folds[[i]], ]
test = data[folds[[i]],]
#Pre processing, if desired
#Train the support vector machine. Parameters are just for example, ripped from a webpage that just so happened to be using the exact same dataset.
model = svm(Species~., data=training,
method="C-classification", kernal="radial",
gamma=0.1, cost=10)
tibble(Row = folds[[i]], Predicted.Class = predict(model, newdata = test))
}
#Bind all the data frames in the list "results"
processedResults = bind_rows(results) %>%
arrange(-Row)
请注意我们如何迭代不同的训练/测试拆分（使用这些行）：
training = data[-folds[[i]], ]
test = data[folds[[i]],]
但功能本身保持不变。每个核心将在 for 循环的每次迭代中接收不同的训练/测试集。在您的代码中，您没有更改函数的参数，因此并行运行代码没有意义。
现在，如果我正确理解 mfe，它会从您的数据集中生成一些汇总统计信息。这可能会并行运行（也许一些统计数据可以并行计算？我怀疑这里有什么速度可以提高），但我非常怀疑它会更快，因为并行运行的东西相关的开销（因此，为什么包创建者没有选择实现这样的功能）。
您提到了随机森林以及如何轻松并行运行它。这是因为随机森林很容易并行（它是“令人尴尬的并行”）。每棵树都可以适合单个工人（因为在引导训练集上，每棵树都独立于森林中的所有其他树）。树适合的顺序也无关紧要，因为我们只是对所有树的预测进行平均以获得我们的最终预测。
我的两分钱：并行运行只有在算法本身可以并行运行时才有用。如果算法本身不能被“划分”然后“组合”，你就不能利用你所有的核心。即便如此，如果算法在单个线程上运行很简单，那么与并行运行相关的计算开销在这些情况下通常会变得更糟。
