Machine learning 如何更新Logistic回归模型？

我训练了一个逻辑回归模型。现在我必须用一组新的训练数据更新（部分拟合）模型。有可能吗？

您不能在

逻辑回归上使用
部分拟合

但你可以：


使用
warm\u start=True
，这将重用上一次调用的解决方案以适应初始化，从而加快收敛速度
将
sgdclassizer
与
loss='log'
一起使用，它相当于
LogisticRegression
，并且支持
部分拟合


注意
部分安装
和
热启动
之间的区别。这两种方法都从以前的模型开始并对其进行更新，但是
partial_-fit
仅略微更新模型，而
warm_-start
在新的训练数据上一直收敛，忘记了以前的模型<代码>预热启动
仅用于加快收敛速度

另见：

热启动

当在同一数据集上重复拟合估计器时，但对于多个参数值（如在网格搜索中找到性能最大化的值），可以重用从先前参数值中学习到的模型方面，从而节省时间。当
warm\u start
为true时，在随后调用
fit
时，将使用现有的fitted model属性an初始化新模型

请注意，这仅适用于某些模型和某些参数，甚至某些参数值阶数。例如，
warm_start
可以在构建随机林时使用，以向林中添加更多的树（增加
n_估计器
），但不减少其数量

partial_-fit
还保留了调用之间的模型，但有所不同：使用
warm_-start
时，参数会发生变化，并且数据（或多或少）会在调用之间保持不变；使用
partial_fit
，小批量数据更改和模型参数保持不变

在某些情况下，您需要使用
warm\u start
来适应不同但密切相关的数据。例如，一开始可能适合数据的子集，然后对完整数据集上的参数搜索进行微调。对于分类，调用
fit
的
warm\u start
序列中的所有数据必须包括每个类的样本

__

部分贴合

便于以在线方式拟合估计器。与
fit
不同，反复调用
partial_fit
不会清除模型，而是根据提供的数据更新模型。提供给
partial_fit
的数据部分可称为小批量。每个小批量必须具有一致的形状等

partial_-fit
也可用于核心外学习，但通常仅限于在线学习的情况，即模型在每次partial_-fit后可用，无需单独处理即可完成模型
cluster.Birch
引入了一种约定，即调用
partial_-fit（X）
将生成一个未最终确定的模型，但是可以通过调用
partial_-fit（）
来最终确定模型，即不需要再传递一个小批量

通常，不应在调用
部分拟合
之间修改估计器参数，尽管
部分拟合
应验证估计器参数以及新的小批量数据。相反，
warm_start
用于重复拟合具有相同数据但参数不同的同一估计器

一些Sklearn估计器实现了
部分拟合
方法。更多信息。非常感谢您的回复，目前我正在使用SGD分类器，但该分类器的问题是，对于相同的数据集，每次都会给我不同的精度级别。这是由于
sgdclassizer
的随机解算器造成的。要获得确定性行为，您可以在
random\u状态
参数中放入一个整数。