scikit-garden的RandomForestQuantileRegressor.fit训练最后一棵树时冻结如何解决

• 优先验证多进程死锁问题：scikit-garden的RandomForestQuantileRegressor多进程实现存在已知的兼容性bug，适配的是早期版本的scikit-learn，和新版依赖的joblib通信逻辑不兼容，极易在最后几棵树训练时出现进程挂死。你可以先将n_jobs设置为1跑单进程测试，如果能正常完成训练即可确认该问题。
• 增加树生长限制参数：默认参数未限制树的生长逻辑，可能出现单棵树无限制分裂的极端情况，占用无限计算资源。可以先添加参数限制测试：

xtrain, xtest, ytrain, ytest = train_test_split(features, target, test_size=testsize)
model = RandomForestQuantileRegressor(
    verbose=2,
    n_jobs=1,
    max_depth=15,
    min_samples_split=20,
    min_samples_leaf=10,
    n_estimators=10
).fit(xtrain, ytrain)

ypred = model.predict(xtest)

• 手动实现多进程提速：如果确认是自带多进程的问题，不要用内置的n_jobs参数，自己通过joblib或者concurrent.futures并行训练多个单树模型，最后手动聚合预测结果即可，修改成本远低于改scikit-garden源码。
• 换用更稳定的实现方案：scikit-garden已经停止维护多年，有大量未修复的bug。你可以直接换用scikit-learn 1.4及以上版本自带的分位数回归实现，或者用lightgbm、xgboost的分位数损失函数实现对应逻辑，200万样本的训练速度比scikit-garden快至少一个量级，多进程逻辑也稳定很多。

内容的提问来源于stack exchange，提问作者ozmanda