Python scitkit SGDClassizer partial_fit不会增量学习。返回“；类别应包括所有有效标签“；

我将两个数据流传递给sgd_clf分类器，如下代码所示。第一部分拟合取第一个数据流x1，y1。第二个部分拟合是获取第二个数据流x2，y2

下面的代码给出了第二个部分拟合步骤中的错误，该步骤将类标记为在前面包含。当我将来自x2 y2的所有数据包括在x1，y1中时，此错误消失。（在现在调用第二个partial_fit之前包含我的类标签）

但是，我不能事先给出这个x2 y2数据。如果我在第一次partial_fit（）之前提供了所有数据，为什么我需要使用第二次partial_fit（）？事实上，如果我以前知道所有数据，我不需要使用partial_fit（），我只需要使用fit（）

问题1：我对sklearn分类器的partial_fit（）的理解是否错误，即它会按照此处的规定动态获取数据：

问题2：我想用新数据重新训练模型/更新模型。我不想从头开始训练。你能帮我吗

问题3：我不只是针对SGDClassizer。我可以使用任何支持在线/批量学习的算法。我的主要目的是第三季度。我有一个受过训练的模型，有1000张图片。我不想从头开始重新训练这个模型，因为我有一个/两个新的图像样本。他们都不想为每个新条目创建一个新模型，然后混合所有条目。这降低了我搜索所有训练模型的预测性能。我只想在部分拟合的帮助下，将这个新的数据实例添加到经过训练的模型中。这是否可行

问题4：如果我无法使用scikit分类器实现第二季度，请指导我如何实现这一目标

---

非常感谢您的任何建议、想法或参考。

您需要事先知道需要多少课程。在第一次调用partial fit之后，该算法假定您以后不会添加任何新类

在您的示例中，您被添加到一个新类（y2=8）中，该类以前从未见过，并且在您对partial fit的初始调用中未被指示为存在（该类仅包含标签“5”和“6”）。您需要在第一次调用时将其添加到classes对象

---

为了保持一致性，我还建议您从0开始对类进行编号

为什么只有分类器才是这样？与SGDRegressor相同的代码不会出现此错误。我觉得我走到了死胡同。我以前不知道数据，回归法也不适合我预测标签。我不能使用任何不支持部分拟合的算法。我只想尝试一下随机森林，开始和结束我的搜索。我最后的希望是尝试kerasclassifier。你们知道kerasclassifier是否也像scikit分类器一样需要类标签吗？@krishnadamarla当然知道kerasclassifier需要。请对分类做一些非常基础的研究。术语分类也将此任务与回归区分开来（SGDRegressor没有得到此错误）。@krishnadamarla剪刀学习模型可以进行增量学习。您的问题（包含新数据的新类）称为少镜头学习。这些术语在ML社区中具有普遍接受的含义，了解/使用正确的术语将帮助您找到所需的内容。诚然，少镜头学习是一个更难的问题，而且没有现成的代码。少镜头学习与在线学习不同，但它们是相关的。很少有机会参与在线学习。在线学习通常不涉及新课程，只涉及新数据。很少有节目涉及新课程和新数据。请查看其他类似问题的答案：

from sklearn import neighbors, linear_model
import numpy as np

def train_new_data():

    sgd_clf = linear_model.SGDClassifier()

    x1 = [[8, 9], [20, 22]]
    y1 = [5, 6]

    classes = np.unique(y1)

    #print(classes)

    sgd_clf.partial_fit(x1,y1,classes=classes)

    x2 = [10, 12]
    y2 = 8


    sgd_clf.partial_fit([x2], [y2],classes=classes)#Error here!!

    return sgd_clf

if __name__ == "__main__":

    print(train_new_data().predict([[20,22]]))