我有一个包含 5K 条记录和 60 个特征的数据集，专注于二进制分类。请在下面找到我的代码以进行 SVM 参数调整。它运行的时间比Xgb. LR和Rf。提到的其他算法在几分钟（10-15 分钟）内返回结果，而 SVM 运行超过 45 分钟。
问题
1) SVM 通常较慢且需要较长时间吗？
2）我下面的代码有问题吗？
3）如何使网格搜索更快？
from sklearn.svm import SVC
param_grid = {'C': [0.001,0.01,0.1,1,10,100,1000],
'gamma': [1, 0.1, 0.01, 0.001, 0.0001],
'kernel': ['linear', 'rbf','poly'],
'class_weight':['balanced']}
svm=SVC()
svm_cv=GridSearchCV(svm,param_grid,cv=5)
svm_cv.fit(X_train_std,y_train)
简单来说，SVM 的优化问题是二次阶的。只需检查文档的第一行
“拟合时间至少与样本数量成二次方关系，超过数万个样本可能不切实际。”
1）我会引用诺亚韦伯的回答
拟合时间至少与样本数量成二次方关系，超过数万个样本可能不切实际。
2）没有错，但你完全在寻找一个空间
7 * 5 * 3 * 1 * 5（折）= 525
这是相当大的。
3）为了提高你的训练，你可以在一个子样本中进行训练，或者只是减少搜索空间，我通常使用以下函数：
def fit_cv_subsample (pipe_cv, X, y, n_max = 10_000):
'''
This function fits a CV in a subsample of the first n_max rows
returns the trained pipe and the best estimator
'''
X_sub = X[0:n_max]
y_sub = y[0:n_max]
pipe_cv.fit(X_sub,y_sub)
#pipe_cv.best_estimator_.fit(X,y)
return pipe_cv, pipe_cv.best_estimator_
results, best_model = fit_cv_subsample(svm_c, X, y)