八个常见的机器学习算法的计算复杂度总结
计算的复杂度是一个特定算法在运行时所消耗的计算资源(时间和空间)的度量。计算复杂度又分为两类:1、时间复杂度时间复杂度不是测量一个算法或一段代码在某个机器或者条件下运行所花费的时间。时间复杂度一般指时间复杂性，时间复杂度是一个函数，它定性描述该算法的运行时间，允许我们在不运行它们的情况下比较不同的算法。例如，带有O(n)的算法总是比O(n²)表现得更好，因为它的增长率小于O(n²)。2、空间复杂度就像时间复杂度是一个函数一样，空间复杂度也是如此。从概念上讲，它与时间复杂度相同，只需将时间替换为空间即可。
计算的复杂度是一个特定算法在运行时所消耗的计算资源(时间和空间)的度量。
计算复杂度又分为两类:
1、时间复杂度
时间复杂度不是测量一个算法或一段代码在某个机器或者条件下运行所花费的时间。时间复杂度一般指时间复杂性，时间复杂度是一个函数，它定性描述该算法的运行时间，允许我们在不运行它们的情况下比较不同的算法。例如，带有O(n)的算法总是比O(n²)表现得更好，因为它的增长率小于O(n²)。
2、空间复杂度
就像时间复杂度是一个函数一样，空间复杂度也是如此。 从概念上讲，它与时间复杂度相同，只需将时间替换为空间即可。 维基百科将空间复杂度定义为：
算法或计算机程序的空间复杂度是解决计算问题实例所需的存储空间量，以特征数量作为输入的函数。
下面我们整理了一些常见的机器学习算法的计算复杂度。
1、线性回归
- n= 训练样本数，f = 特征数
- 训练时间复杂度：O(f²n+f³)
- 预测时间复杂度：O(f)
- 运行时空间复杂度：O(f)
2、逻辑回归：
- n= 训练样本数，f = 特征数
- 训练时间复杂度：O(f*n)
- 预测时间复杂度：O(f)
- 运行时空间复杂度：O(f)
3、支持向量机：
- n= 训练样本数，f = 特征数，s= 支持向量的数量
- 训练时间复杂度：O(n²) 到 O(n³)，训练时间复杂度因内核不同而不同。
- 预测时间复杂度：O(f) 到 O(s*f):线性核是 O(f)，RBF 和多项式是 O(s*f)
- 运行时空间复杂度：O(s)
4、朴素贝叶斯：
- n= 训练样本数，f = 特征数，c = 分类的类别数
- 训练时间复杂度：O(n*f*c)
- 预测时间复杂度：O(c*f)
- 运行时空间复杂度：O(c*f)
5、决策树：
- n= 训练样本数，f = 特征数，d = 树的深度，p = 节点数
- 训练时间复杂度：O(n*log(n)*f)
- 预测时间复杂度：O(d)
- 运行时空间复杂度：O(p)
6、随机森林：
- n= 训练样本数，f = 特征数，k = 树的数量，p=树中的节点数，d = 树的深度
- 训练时间复杂度：O(n*log(n)*f*k)
- 预测时间复杂度：O(d*k)
- 运行时空间复杂度：O(p*k)
7、K近邻：
n= 训练样本数，f = 特征数，k= 近邻数
Brute：
- 训练时间复杂度：O(1)
- 预测时间复杂度：O(n*f+k*f)
- 运行时空间复杂度：O(n*f)
kd-tree：
- 训练时间复杂度：O(f*n*log(n))
- 预测时间复杂度：O(k*log(n))
- 运行时空间复杂度：O(n*f)
8、K-means 聚类：
- n= 训练样本数，f = 特征数，k= 簇数，i = 迭代次数
- 训练时间复杂度：O(n*f*k*i)
- 运行时空间复杂度：O(n*f+k*f)
机器学习奠基人MichaelJordan认为AGI是公关炒作，AI的真正挑战在于让系统学会协调。他主张机器学习必须与经济学结合，关注不确定性、激励机制和数据流动等社会系统性问题，而非单纯追求模型能力。
6月29日，中科院计算机网络信息中心等单位发布“异算方舟”国产计算系统软件生态全栈平台。该平台针对算法供给不足、代码迁移困难、智能应用落地慢三大痛点，打造九衍枢算法库、无界BoundX代码转换大模型、Agent-HiReFlow自动化仿真智能体三大能力，提供从底层算法到代码适配再到智能应用的一体化解决方案。
持续坚持原创输出，点击蓝字关注我吧 ❝ 沉淀、分享、成长，让自己和他人都能有所收获！ ❞ 目录 一、前言二、面试题三、线程池讲解1. 先看个例子2. 手写一个线程池3. 线程池源码分析四、总结五、系列推荐一、前言人看手机，机器学习！正好是2020年，看到这张图还是蛮有意思的。以前小时候总会看到一些科
熵基科技发布HuggingZKT算法商城，面向空间智能领域打造端云协同AI算法管理平台，覆盖算法训练、发布、订阅、升级等全生命周期，形成开放高效的算法服务体系，推动园区、楼宇等场景的AI能力敏捷调用，助力空间智能规模化应用迈入新阶段。
当前数字时代，deepseek入口智能助手凭借前沿技术架构为用户带来革新体验 在如今这个数字浪潮翻涌的时代，deepseek入口智能助手凭借其前沿的技术架构，为用户带来了真正意义上的革新体验。这个平台巧妙融合了自然语言处理与知识图谱技术，能够精准解析那些看似复杂的语义需求，已然成为提升工作效率的智能
芬兰阿尔托大学提出用语言引用原文代替坐标定位，解决视觉文档理解中的归因幻觉问题。实验显示，该方法使归因幻觉率从97%降至28%，证据召回率从个位数提升至50%以上，且答案质量几乎不变。
刚开始学机器学习时，我也像大部分人 一样，有个很朴素的想法：特征越多，模型能学到的信息就越多，效果自然越好。 所以每次拿到数据，我就拼命往模型里塞特征——能算出来的统计量全加上，能衍生出来的比率全拼上。 一个原本 20 列的数据集，经常被我搞到七八十列。 然后我就发现事情不太对劲了： 训练时间明显变
机器学习实战中，大家往往把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？ 刚开始学机器学习那会儿，很多人特别喜欢堆特征——不管有用没用先一股脑全塞进去，总觉得特征越多模型越聪明。直到有一次跑练习数据集，X_train.shape 直接干到了 (50000
空气中直径小于100纳米的超细颗粒物每年导致约199万人早逝，其中近半因心血管疾病。该颗粒物主要来自化石燃料，可通过呼吸进入血液，引发氧化应激和内皮功能紊乱，是未被充分认识的心血管危险因素。若年均浓度控制在每立方厘米5000个以下，全球超额死亡率可降低约45%。
这项研究来自Ezgi Korkmaz，论文以预印本形式发布于2026年7月8日，编号为arXiv:2607.07769，发表于cs.LG（机器学习）领域，并将出版于2026年人工智能促进协会（AAAI）会议论文集。有兴趣深入了解的读者可以通过arXiv编号2607.07769查询完整论文。 深度强化
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
