Почему scikit-learn SVM-классификатор работает так долго, используя небольшой процессор?

Я выполняю scikit-learn SVM-классификатор (SVC) из python 2.7.10, и он работает уже более 2 часов. Я прочитал данные, используя pandas.read_csv предварительно обработал его, а затем запустил

 clf = SVC(C = 0.001, kernel = 'linear', cache_size = 7000, verbose = True) clf.fit(X_train, y_train) 

У меня есть опыт работы с классификаторами (Random Forests и Deep Neural Networks) в H2O с использованием R, и они никогда не занимают много времени! Машина, на которой я работаю, имеет 16 ГБ оперативной памяти и i7 с частотой 3,6 ГГц на каждом ядре. Диспетчер задач говорит мне, что 8.6 Гб ОЗУ используются питоном, но только 13% от ЦП. Я не совсем понимаю, почему он так медленно и даже не использует все ресурсы.

У меня есть 12000000 строк и 22 столбца, и единственный verbose sklearn дает мне одну строку:

[LibSVM]

Это нормальное поведение, или я должен увидеть гораздо больше? Может ли кто-нибудь опубликовать подробный из svc, который закончился? Кроме того, могу ли я сделать что-нибудь, чтобы ускорить процесс, помимо снижения параметра C? Использование меньших строк на самом деле не является вариантом, так как я хочу тестировать алгоритмы, и они не были бы сопоставимы, если бы использовались разные данные обучения. Наконец, может ли кто-нибудь объяснить, почему так мало моих ресурсов используется?

Python - лучший язык программирования в мире.