为什么 cross_val_predict 比 KNeighborsClassifier 的拟合慢得多？

在 Jupyter 笔记本上本地运行并使用 MNIST 数据集（28k 条目，每个图像 28x28 像素，以下内容为27秒.

from sklearn.neighbors import KNeighborsClassifier

knn_clf = KNeighborsClassifier(n_jobs=1)
knn_clf.fit(pixels, labels)

然而，以下需要1722 秒， 换句话说长约 64 倍:

from sklearn.model_selection import cross_val_predict
y_train_pred = cross_val_predict(knn_clf, pixels, labels, cv = 3, n_jobs=1)

我天真的理解是cross_val_predict with cv=3正在进行 3 倍交叉验证，因此我希望它能够拟合模型 3 次，因此至少需要大约 3 倍的时间，但我不明白为什么需要 64 倍！

为了检查它是否特定于我的环境，我在Colab笔记本 https://colab.research.google.com/drive/1QsY4vbHfyb7mBcFGHjeUdnVQZetNT3g-- 差异没有那么极端（15x），但仍远高于我预期的 3 倍：

我缺少什么？为什么 cross_val_predict 比拟合模型慢得多？

如果重要的话，我正在运行 scikit-learn 0.20.2。

KNN也称为惰性算法，因为在拟合过程中它什么都不做，只是保存输入数据，特别是根本没有学习。

在预测期间，每个测试数据点都会进行实际距离计算。因此，您可以理解，当使用cross_val_predict, KNN必须对验证数据点进行预测，这使得计算时间更长！