应改用 LinearSVC 或 Nystroem+LinearSVC：rbf 核 SVC 时间复杂度 O(n²)~O(n³)，1350 样本即耗时 15 小时；LinearSVC 复杂度 O(n×d)，适合高维特征；Nystroem 可近似 rbf 核并保持线性训练效率。
训练卡在 SVC(kernel='rbf') 且样本超 5000？换 LinearSVC
rbf 核的 SVC 时间复杂度接近 O(n²) 到 O(n³)，18 类、每类 75 张图（共约 1350 样本）都跑 15 小时，说明你大概率用了 SVC(kernel='rbf') + GridSearchCV 扫多组 C 和 gamma。这不是调参问题，是算法选错。
真实场景中，只要特征维数 ≥ 100（比如 HOG、CNN 特征），优先用 LinearSVC 或 SGDClassifier(loss='hinge')：
-
LinearSVC是基于 liblinear 的线性 SVM，时间复杂度O(n × d)（n=样本数，d=特征维数），对万级样本仍可接受 - 它不支持核函数，但高维稀疏特征（如 TF-IDF、OneHot）下，线性分类器效果常优于 rbf
- 注意：
LinearSVC默认使用 squared_hinge loss，预测接口是decision_function而非predict_proba；需概率输出时加probability=True（会触发 Platt scaling，略慢）
必须用非线性核？别扫 gamma，改用 Nystroem + LinearSVC
rbf 核本质是隐式映射到无穷维空间，GridSearchCV 对 gamma 盲扫效率极低——因为 gamma 变化一个数量级，支持向量数可能翻倍或归零，验证曲线不平滑。
更稳更快的做法：用核近似（kernel approximation）把非线性问题转成线性问题，再喂给 LinearSVC：
立即学习“Python免费学习笔记（深入）”；
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
-
Nystroem（推荐）：随机采样n_components=100~1000个样本构造基，再投影所有样本，之后接LinearSVC。比RBFSampler更鲁棒，对gamma不敏感 -
RBFSampler：需要手动设gamma，但一旦定好，投影后完全线性，训练飞快 - 示例流程：
Nystroem(gamma=0.01, n_components=500).fit_transform(X_train)→LinearSVC().fit(...) - 关键点：
Nystroem的n_components不是越多越好，500–1000 通常够用；超过 2000 易导致内存暴涨，且收益趋缓
GridSearchCV 慢到无法忍受？砍掉冗余参数组合
你定义的 param_grid 如果包含 ['linear', 'rbf'] + 多个 C + 多个 gamma，实际搜索空间是笛卡尔积——18 类情感数据集上，哪怕只扫 3×3×3=27 组，每组 5 折交叉验证，就是 135 次完整训练。rbf 下每次训练本身又慢，雪上加霜。
实操减负策略：
- 先固定核函数：小样本/高维特征 → 直接
kernel='linear'；确认线性不可分再试 rbf -
C用np.logspace(-2, 2, 5)（即 [0.01, 0.1, 1, 10, 100]），别扫 0.001/0.005 这种无效小值 - rbf 场景下，
gamma优先试np.logspace(-3, 0, 4)（即 [0.001, 0.01, 0.1, 1]），跳过 >1 的值（易过拟合） - 改用
HalvingGridSearchCV（sklearn 0.24+）：逐轮淘汰表现差的参数组合，实测可省 40%–70% 时间
标准化没做？训练可能根本没收敛
SVM 对特征尺度极度敏感——像素值 0–255 和归一化到 0–1 的同一组数据，C=1 在前者下几乎不起作用，在后者下可能直接爆炸。很多“训练慢”其实是模型在无效区域反复震荡。
必须做的三件事：
- 训练前无条件用
StandardScaler（不是MinMaxScaler）：SVM 假设特征服从近似高斯分布，StandardScaler更匹配其数学假设 -
StandardScaler的fit必须只在X_train上调用，再用同一个 scalertransformX_test；漏这步会导致评估失真 - 图像类任务若用原始像素，务必降维：PCA 到 100–500 维后再进 SVM，否则
d过大，LinearSVC也变慢
最常被忽略的一点：核近似方法（如 Nystroem）内部也依赖距离计算，输入特征未标准化时，其采样和投影结果完全不可靠——这会导致加速策略失效，反而比原生 SVC 更慢。
