Dav*_*ill 2 python performance machine-learning scikit-learn cross-validation
在Jupyter笔记本上本地运行并使用MNIST数据集（28k条目，每个图像28x28像素，接下来的时间为27秒）。
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier(n_jobs=1)
knn_clf.fit(pixels, labels)
但是，以下过程需要1722秒，也就是说，要花费〜64 倍的时间：
from sklearn.model_selection import cross_val_predict
y_train_pred = cross_val_predict(knn_clf, pixels, labels, cv = 3, n_jobs=1)
我天真的理解是cv = 3的cross_val_predict正在执行3倍交叉验证，因此我希望它可以拟合模型3次，因此至少需要3倍的时间，但是我不知道为什么会这样花64倍！
要检查它是否特定于我的环境，我在Colab笔记本上运行了相同的东西 -差异不那么极端（15x），但仍远高于我预期的〜3x：
我想念什么？为什么cross_val_predict比仅拟合模型要慢得多？
万一重要，我正在运行scikit-learn 0.20.2。
KNN 之所以称为“惰性算法”，是因为在拟合过程中它除了保存输入数据外什么也不做，特别是根本没有学习。
在预测期间，将对每个测试数据点进行实际距离计算。因此，您可以理解，使用时cross_val_predict，KNN必须预测验证数据点，这会使计算时间更长！