Python scikit学习（SVMLIB）中奇怪的SVM预测性能

我在一个10000x1000的大数据集上使用scikit learn中的SVC（10000个对象和1000个特性）。我已经在其他资料中看到，SVMLIB的缩放范围不超过10000个对象，我确实观察到了这一点：

training time for 10000 objects: 18.9s
training time for 12000 objects: 44.2s
training time for 14000 objects: 92.7s

你可以想象当我试着去买80000的时候会发生什么。然而，我发现非常令人惊讶的是，SVM的predict（）比训练fit（）花费更多的时间：

---

让预测在线性时间内运行是很简单的（虽然这里可能接近线性），而且通常比训练快得多。那么这是怎么回事？

您确定在预测时间的度量中没有包含训练时间吗？您有计时的代码片段吗？

完全可以肯定，我只计时一个命令：fit（）或predict（）。我对这类工具很有经验，对其他模型也很适用。好吧，那就是支持向量的数量随着训练集线性增长（例如，如果几乎所有样本都被选为SVs），然后样本的nb也在增长，因此是二次时间演化。好的观点，这确实可能是非线性增长的原因。只有在不断增加的样本数量上使用相同的模型时，您才会期望线性。然而，我仍然感到惊讶的是，对于这种规模的问题，预测比训练慢。是的，那些预测的时间似乎非常慢。可能还有另一个问题。您的数据集中有多少个不同的类？svc.support\u vectors和svc.dual\u coef的形状是什么？您是否批量进行预测？不幸的是，

SVC.predict

方法会产生大量开销，因为它必须重建一个类似于训练算法生成的LibSVM数据结构，在支持向量中进行浅拷贝，并将测试样本转换为可能不同于NumPy/SciPy格式的LibSVM格式。因此，对单个样本的预测必然是缓慢的。

prediction time for 10000 objects (model was also trained on those objects): 49.0s
prediction time for 12000 objects (model was also trained on those objects): 91.5s
prediction time for 14000 objects (model was also trained on those objects): 141.84s