Numpy 以相同的精度分两步训练数据？

我正在尝试实现主动学习机（一个项目的实验）算法，我想单独训练，请检查下面的代码

clf = BernoulliNB()
clf.fit(X_train[0:40], y_train[0:40])
clf.fit(X_train[40:], y_train[40:])

上面的步骤通常是这样做的

clf = BernoulliNB()
clf.fit(X_train, y_train)

两者的准确度得分不同。我想将训练数据添加到现有模型本身，因为它的计算成本很高——我不希望我的模型再进行一次计算

---

有什么办法吗？

你应该使用partial\u fit批量训练你的模型

clf = BernoulliNB()
clf.partial_fit(X_train[0:40], y_train[0:40])
clf.partial_fit(X_train[40:], y_train[40:])

请检查以了解有关该功能的更多信息

---

希望这有帮助：）

这被称为在线培训或用于大数据的增量学习。请看这个

基本上，在scikit学习中，您需要事先知道

partial_fit（）

中的所有标签

部分拟合（X，y，类别=无，样本重量=无）

y向量中可能出现的所有类的列表。必须在第一次调用partial_fit时提供，可以在后续调用中省略

如果您只是这样做：

clf.partial_fit(X_train[0:40], y_train[0:40])
clf.partial_fit(X_train[40:], y_train[40:])

然后，如果在前40个样本中不存在任何类，并且在partial_fit（）的下一次迭代中出现，那么它将抛出一个错误

因此，理想情况下，您应该这样做：

# First call
clf.partial_fit(X_train[0:40], y_train[0:40], classes = np.unique(y_train))

# subsequent calls
clf.partial_fit(X_train[40:80], y_train[40:80])
clf.partial_fit(X_train[80:], y_train[80:])

and so on..

---

上面的工作非常完美。只是等待一段时间（2天）才接受这个答案。非常感谢。接受这个答案，因为它有一个更清楚的解释。

# First call
clf.partial_fit(X_train[0:40], y_train[0:40], classes = np.unique(y_train))

# subsequent calls
clf.partial_fit(X_train[40:80], y_train[40:80])
clf.partial_fit(X_train[80:], y_train[80:])

and so on..