Machine learning 互动学习

我是NLP和文本挖掘的新手，我正在尝试构建一个文档分类器。 一旦模型经过训练，我们就在新文档上测试它（它们、测试数据、没有标签）。预计该模型并非100%准确；因此，对于错误分类的文档，我们希望与用户交互以纠正这些错误预测

我有两个想法：

• 重新培训模型，其中：traindata=旧的\u traindata+用户更正的数据

• 在每个用户纠正后，更新模型参数

---

这听起来对吗？在第二种情况下，我应该使用哪种算法？我们可以如何有效地解决这个问题？

您可以这样做，但如果您计划在每天的基础上反复对整个数据重新培训模型，这将是一项非常艰巨的任务。与其完全重新培训模型，不如尝试迁移学习。保存模型，然后将其加载回，并根据用户更正的数据对其进行训练。模型将能够纠正错误，而不会丢失已经学到的东西。迁移学习的问题是，经过一段时间后，它会被微调到新的数据，你将不得不从头开始重新训练它。但这比每天重新训练模型要好得多

您应该有适当的度量标准，以检查在多次“转移学习”迭代之后，旧数据中的模型精度是否开始下降。如果精度下降，只需重新训练模型的所有数据，直到日期，你会很好去