训练文档的数量是否会影响分类时间？我知道在K-最近邻（K-nn）算法中，所有的计算都在分类阶段进行，而训练阶段的工作量很少或几乎没有。SVM、朴素贝叶斯、决策树等算法是否也是这种情况？

回答：

只有惰性分类器具有这种特性，KNN就是其中之一。

• SVM – 分类时间取决于支持向量的数量，而支持向量的数量可能但不一定取决于训练文档的数量（它们是支持向量数量的上限）
• 朴素贝叶斯 – 除非这些新文档包含许多新词，否则不会有影响，因为NB的分类时间是O(特征数量)，所以如果不扩大词汇量（在词袋模型的情况下），你可以安全地使用大量训练数据
• 决策树 – 与NB相同，仅取决于特征数量（以及问题的复杂性，而这不会随实例数量的变化而变化）
• 神经网络 – 这里的分类时间仅取决于神经元的数量