如何测量Python机器学习模型的预测速度（单位：秒）？

方法一：使用time.perf_counter（单次计时，精确测量短间隔） #

这是Python中测量短时间执行速度最精确的方式，适合直接测量单次预测的耗时：

import time
from sklearn.tree import DecisionTreeClassifier

# 创建并训练决策树模型
clf = DecisionTreeClassifier(criterion="entropy", max_depth=3)
clf = clf.fit(X_train, y_train)

# 对预测步骤计时
start = time.perf_counter()
y_pred = clf.predict(X_test)
end = time.perf_counter()

print(f"预测执行耗时: {end - start:.6f} 秒")

方法二：使用timeit（多次运行取平均，降低误差） #

如果测试数据集很小，单次预测耗时极短，推荐用timeit多次运行后取平均，避免单次波动带来的误差：

from timeit import timeit
from sklearn.tree import DecisionTreeClassifier

# 创建并训练模型
clf = DecisionTreeClassifier(criterion="entropy", max_depth=3)
clf = clf.fit(X_train, y_train)

# 封装预测逻辑为函数
def run_prediction():
    return clf.predict(X_test)

# 运行100次，计算单次平均耗时
avg_time = timeit(run_prediction, number=100) / 100
print(f"单次预测平均耗时: {avg_time:.6f} 秒")

注意事项 #

• 若X_test数据量较大，单次计时的结果已经足够可靠；
• 多次运行取平均时，可以根据实际情况调整number参数（比如数据量小就调大，数据量大就调小）。

内容的提问来源于stack exchange，提问作者Ruben van Oranje