1. 减少训练数据集大小：减少数据集的大小可以减少模型训练时间。根据数据集大小和计算机性能的不同，可以选择适当的数据量。

2. 调整模型参数：适当对 SVM 模型的参数进行调整可以提高模型训练速度，例如使用线性核函数代替高斯核函数可以大幅加快训练速度。

3. 特征选择：选择合适的数据特征可以降低数据维度，从而减少模型训练时间。

代码示例：

1. 减少训练数据集大小

# 加载数据集
train_data, train_labels, test_data, test_labels = load_data()

# 从训练数据集中随机抽样 num_samples 个数据作为新的训练数据集
num_samples = 1000
indices = np.random.permutation(train_data.shape[0])[:num_samples]
new_train_data = train_data[indices]
new_train_labels = train_labels[indices]

# 训练 SVM 模型
classifier = svm.SVC(kernel='linear')
classifier.fit(new_train_data, new_train_labels)

2. 调整模型参数

# 加载数据集
train_data, train_labels, test_data, test_labels = load_data()

# 定义 SVM 模型，使用线性核函数和较小的 C 值
classifier = svm.SVC(kernel='linear', C=0.01)

# 训练 SVM 模型
classifier.fit(train_data, train_labels)

3. 特征选择

# 加载数据集
train_data, train_labels, test_data, test_labels = load_data()

# 对数据特征进行降维处理
pca = PCA(n_components=100)
train_data = pca.fit_transform(train_data)

# 训练 SVM 模型
classifier = svm.SVC(kernel='linear')
classifier.fit(train_data, train_labels)