为什么 cross_val_predict 比适合 KNeighborsClassifier 慢得多？
Why is cross_val_predict so much slower than fit for KNeighborsClassifier?
运行 在本地 Jupyter 笔记本上使用 MNIST 数据集（28k 个条目，每张图像 28x28 像素，以下需要 27 秒。
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier(n_jobs=1)
knn_clf.fit(pixels, labels)
然而，以下需要 1722 秒，换句话说 ~64 倍长:
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 cross_val_predict 和 cv=3 正在进行 3 次交叉验证，所以我希望它适合模型 3 次，所以至少需要 ~3 次更长，但我不明白为什么需要 64 倍！
为了检查它是否特定于我的环境，我在 Colab notebook 中 运行 相同 - 差异不那么极端 (15x) ，但仍远高于我预期的 ~3x：
我错过了什么？为什么 cross_val_predict 比仅拟合模型慢得多？
以防万一，我是 运行 scikit-learn 0.20.2.
cross_val_predict 做了拟合和预测所以可能比拟合要花更长的时间，但我没想到要长 64 倍
KNN也被称为惰性算法，因为它在拟合时除了保存输入数据外什么都不做，具体来说根本就没有学习。
在预测过程中，实际距离计算发生在每个测试数据点上。因此，您可以理解，当使用 cross_val_predict 时，KNN 必须在验证数据点上进行预测，这会使计算时间更长！
运行 在本地 Jupyter 笔记本上使用 MNIST 数据集（28k 个条目，每张图像 28x28 像素，以下需要 27 秒。
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier(n_jobs=1)
knn_clf.fit(pixels, labels)
然而，以下需要 1722 秒，换句话说 ~64 倍长:
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 cross_val_predict 和 cv=3 正在进行 3 次交叉验证，所以我希望它适合模型 3 次，所以至少需要 ~3 次更长，但我不明白为什么需要 64 倍！
为了检查它是否特定于我的环境，我在 Colab notebook 中 运行 相同 - 差异不那么极端 (15x) ，但仍远高于我预期的 ~3x：
我错过了什么？为什么 cross_val_predict 比仅拟合模型慢得多？
以防万一，我是 运行 scikit-learn 0.20.2.
cross_val_predict 做了拟合和预测所以可能比拟合要花更长的时间，但我没想到要长 64 倍
KNN也被称为惰性算法，因为它在拟合时除了保存输入数据外什么都不做，具体来说根本就没有学习。
在预测过程中，实际距离计算发生在每个测试数据点上。因此，您可以理解，当使用 cross_val_predict 时，KNN 必须在验证数据点上进行预测，这会使计算时间更长！