Extraño rendimiento de predicción de SVM en scikit-learn (SVMLIB)

Estoy usando SVC de scikit-learn en un gran conjunto de datos de 10000×1000 (10000 objetos con 1000 características). Ya vi en otras fonts que SVMLIB no se escala mucho más allá de ~ 10000 objetos y de hecho observo esto:

training time for 10000 objects: 18.9s training time for 12000 objects: 44.2s training time for 14000 objects: 92.7s 

Se puede imaginar lo que sucede cuando bash llegar a 80000. Sin embargo, lo que me pareció muy sorprendente es el hecho de que la predicción () de la SVM lleva incluso más tiempo que el ajuste de entrenamiento ():

 prediction time for 10000 objects (model was also trained on those objects): 49.0s prediction time for 12000 objects (model was also trained on those objects): 91.5s prediction time for 14000 objects (model was also trained on those objects): 141.84s 

Es trivial hacer que la predicción se ejecute en tiempo lineal (aunque podría ser casi lineal aquí), y generalmente es mucho más rápido que el entrenamiento. Entonces, ¿qué está pasando aquí?

¿Está seguro de que no incluye el tiempo de entrenamiento en su medida del tiempo de predicción? ¿Tienes un fragmento de código para tus tiempos?