为什么 GridSearchCV 的运行时间比自己编写 GridSearch 的时间长？

如何解决为什么 GridSearchCV 的运行时间比自己编写 GridSearch 的时间长？

我有兴趣在使用 MNIST 数据的分类问题上使用 gridsearchcv 中的 sklearn 函数。但是， sklearn 函数比据我所知适合相同数量模型的过程花费的时间要多得多。这是一个例子（为了减少计算时间，我将只取 2000 个观察作为训练集）

# Code chunk 1
import numpy as np
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.model_selection import gridsearchcv
from sklearn.model_selection import cross_val_score

mnist = fetch_openml('mnist_784',version=1)
X,y = mnist['data'],mnist['target']
x_drop,X_train,y_drop,y_train= train_test_split(X,y,test_size=2000,random_state=42,stratify=y)

C = [1e-2,1e-1,1,10]
gamma = [1e-4,1e-3,1e-2]

params = [(c,g) for c in C for g in gamma]

s = time.time()
for c,g in params:
    svm_rbf = SVC(kernel = 'rbf')
    y_train_pred_poly = cross_val_score(svm_rbf,y_train,cv=3,scoring='accuracy')
print(f' Execution time: {np.round(time.time() - s,3)} seconds')

执行时间：70.895 秒

# Code chunk 2
svm_rbf = SVC(kernel = 'rbf')

param_grid = [
    {'C':[1e-2,10],'gamma':[1e-4,1e-2]}
]

s2 = time.time()
grid_search = gridsearchcv(svm_rbf,param_grid,scoring='accuracy')

grid_search.fit(X_train,y_train)
print(f' Execution time: {np.round(time.time() - s2,3)} seconds')

执行时间：171.148 秒

据我所知，在 # 代码块 1 中，我采用了一个包含 12 个元素的列表（超参数 C 的 4 个值和超参数 gamma 的 3 个值的乘积）并执行 3 倍交叉验证。在块代码 2 中，我使用 gridsearchcv 函数在相同的值网格上运行相同类型的算法，使用相同数量的折叠。 但使用此功能需要多花 240% 的秒数。

那么，这两者之间的区别是什么？为什么使用 gridsearchcv 需要更长的时间？

编辑：

感谢评论指出我的错误。第一个代码块总是使用相同的参数运行，这就是为什么它需要更少的时间。正确的代码是：

for c,g in params:
    svm_rbf = SVC(kernel = 'rbf',C=c,gamma=g)
    y_train_pred_poly = cross_val_score(svm_rbf,3)} seconds')