Sklearn GridSearch的训练复杂度是多少？

Question

gs_clf = GridSearchCV(SVC(probability=False, class_weight='balanced', max_iter=100, random_state=2018, tol=1e-10),
                          param_grid={'C': [2, 5, 10] , 'kernel': 'linear'},
                          n_jobs=1,
                          refit=False,
                          cv=2,
                          scoring='f1_weighted',
                          verbose=1)
gs_clf.fit(X, y)

这就是我将Gridsearch与SVC配合使用以适应数据的方式。基本上，我针对随机训练数据调整数据点的行数和标签数，并记录时间消耗。从理论上讲，SVC内核中的linearSVC（不是linear）使用OVO多类实现，计算复杂度为O（#samples * #class * iter）。

这是我遇到的两个问题：

1. 似乎Gridsearch正在为多类分类进行一些内部优化。训练时间相对于log(#label)呈线性增长（大致）。与单一SVC训练相反，时间在#label上呈线性增长。 Gridsearch到底在做什么？

1. 当标签数量较少时，例如max.iter，训练时间以max_iter的函数线性增长。 #label=2。但是#label不是大的情况。当#label=40时，time(max_iter=200)与time(max_iter=400)没什么不同。这不仅发生在gridsearch中，而且也发生在SVC中。我将tol设置得很小，希望拟合总是能达到最大迭代次数，但似乎不起作用。其背后的机制是什么？

我正在使用sklearn == 0.18.1。谢谢！