为避免 k-NN GridSearchCV 执行时间过长问题，可以使用以下方法进行优化：

1. 减少数据维度：使用主成分分析（PCA）或线性判别分析（LDA）等降维技术来减少特征数量，从而加快模型训练速度。

2. 设置 GridSearchCV 参数优化范围：调整超参数范围（如 k 的取值范围），避免 GridSearchCV 计算量过大。

3. 选择合适的距离度量方式：选择合适的距离度量方式（如 Euclidean、Manhattan、Chebyshev 等）可以提高模型分类效率。

4. 调整单机性能参数：针对单机性能进行优化，如提升 CPU 频率，增加内存等，可以减少模型训练时间。

代码示例：

调用 PCA 进行特征降维

from sklearn.decomposition import PCA

pca = PCA(n_components=0.95) X_train_pca = pca.fit_transform(X_train) X_test_pca = pca.transform(X_test)

调整 GridSearchCV 中的 k 取值范围

k_range = list(range(1, 31)) param_grid = dict(n_neighbors=k_range) grid = GridSearchCV(knn, param_grid, cv=5, scoring='accuracy')

使用 Manhattan 距离度量方式

knn = KNeighborsClassifier(n_neighbors=5, p=1)

提升 CPU 频率以提高训练速度

import os os.system('echo 1200000 > /sys/devices/system/cpu/cpu0/cpufreq/scaling_max_freq') # 设置 CPU 频率