为什么cross_val_predict比KNeighborsClassifier慢得多？

Question

在Jupyter笔记本上本地运行并使用MNIST数据集（28k条目，每幅图像28x28像素，以下过程需要 27秒。

from sklearn.neighbors import KNeighborsClassifier

knn_clf = KNeighborsClassifier(n_jobs=1)
knn_clf.fit(pixels, labels)

但是，以下操作要花费 1722秒，换句话说，要长〜64倍：

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倍以上的时间，但我看不到为什么要花64倍！

要检查它是否特定于我的环境，我在Colab notebook中运行了该命令-差异不那么极端（ 15倍），但仍远高于我的约3倍预期：

我想念什么？为什么cross_val_predict比仅拟合模型要慢得多？

以防万一，我正在运行scikit-learn 0.20.2。

Answer 1

A也称为惰性算法，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KNN时，cross_val_predict必须在验证数据点上进行预测，这会使计算时间更长！

Answer 2

cross_val_predict进行拟合和预测，所以它可能比仅拟合要花费更长的时间，但我没想到会长64倍