Python 为什么考试比训练时间长？

我正在MNIST数字数据集上培训sklearn

KNN分类器

代码如下：

knn = KNeighborsClassifier()

start_time = time.time()
print (start_time)
knn.fit(X_train, y_train)
elapsed_time = time.time() - start_time

print (elapsed_time)

需要40秒。然而，当我对测试数据进行测试时，它需要几分钟以上（仍在运行），而测试数据比列车数据少6倍

代码如下：

y_pred = knn.predict(X_test)
print(confusion_matrix(y_test,y_pred))

你能解释一下为什么花这么多时间（比训练时间还多）吗？解决这个问题的方法？
想想k-NN算法的工作原理。这是一个典型的延迟学习示例，在预测时，必须计算到原始训练数据的距离（以确定哪一个是最接近的邻域）。

在训练时，它不需要进行非常昂贵的距离计算

因此，区别主要在于从
.fit（）
到
.predict（）
当你真正尝试预测火车组时，这将花费更长的时间

有关更多信息，请参阅例如

解决方案：考虑该算法是否真正适合您的情况，或者您是否可以使用更粗糙的距离近似值。
考虑k-NN算法的工作原理。这是一个典型的延迟学习示例，在预测时，必须计算到原始训练数据的距离（以确定哪一个是最接近的邻域）。

在训练时，它不需要进行非常昂贵的距离计算

因此，区别主要在于从
.fit（）
到
.predict（）
当你真正尝试预测火车组时，这将花费更长的时间

有关更多信息，请参阅例如

对于解决方案：想想这个算法是否真的适合您的情况，或者您是否可以使用更粗糙的距离近似值。
您能否详细说明为什么您希望它们花费相同的时间？这些是不同的函数，因此，无论数据如何，它们的运行时间都会不同。训练一个模型是一回事，使用它进行分类是另一回事。@IslamEl Rougy训练数据用于构建分类器，因此它需要计算时间（而在模型已经构建时使用测试数据）。此外，训练数据是测试数据的六倍，因此我看不出为什么它会持续如此长的时间。我不完全确定函数的具体实现，但在KNN的情况下，预测比构建模型花费更多的时间是有意义的，因为模型需要测量欧几里得测试数据中每个样本的k个最近邻居（或其他类型的距离），而在训练中不需要这样做。为了减少测试时间，考虑调整“K”。参数或选择另一个模型。你能详细说明为什么你希望它们占用相同的时间吗？这些是不同的函数，因此它们的运行时间将不同，而不管数据如何。训练模型是一回事，使用模型进行分类是另一回事。@IslamEl Rougy训练数据用于构建classifier，因此需要计算时间（当模型已经建立时使用测试数据）。此外，训练数据是测试数据的六倍，因此我看不出为什么它会持续如此长的时间。我不能确切地确定函数的具体实现，但在KNN的情况下，预测比构建模型花费更多的时间是有意义的，因为模型需要测量欧几里得测试数据中每个样本的k个最近邻（或其他类型的距离），而在训练中不需要这样做。为了减少测试时间，考虑调整“K”参数或完全选择另一个模型。