Scala 如何创建一个估计器，在已经拟合到初始数据集之后训练新样本？

我正试图创建我自己的

估计器

，遵循我在Spark源代码中找到的这个示例

但在本例中，每次我在

Estimator

中调用

fit（）

方法时，它都会返回一个新的

模型

我想要类似于再次拟合的东西来训练更多尚未训练的样本

我想在
模型中创建一个新方法来实现这一点。但我不确定这是否有意义。
知道我的模型不需要再次处理所有数据集来训练新样本，我们也不想更改模型结构，这可能是件好事。
您可以使用保存、加载并继续拟合模型：

MLlib标准化了机器学习算法的API，使多个算法更容易组合到单个管道或工作流中。本节介绍Pipelines API引入的关键概念，其中管道概念主要受scikit学习项目的启发

查找示例代码。
定义了spark ml估计器的基类。如您所见，class方法
fit
是一个普通调用，用于使用输入数据训练模型

您应该引用类似类的内容，特别是trainOnRows函数，其中输入是RDD和可选初始系数矩阵（训练模型的输出）。这将允许您在不同的数据集上迭代地训练模型

对于您需要实现的目标，请记住您选择的算法必须能够支持迭代更新。例如，glm、神经网络、树集合等。
如果您知道如何改进模型中的训练，而不使用已使用的数据进行重新训练，那么您不能在同一个类中进行训练，因为您希望a也是a，但遗憾的是，这不可能直接实现，因为两者都是抽象类，不能在同一个类中混合使用

正如您所说，您可以在模型中提供一种方法，该方法将返回估计器以改进/增加训练

类MyEstimator扩展估计器[MyModel]{
...
}
类MyModel扩展模型[MyModel]{
def retain:MyEstimator=//创建一个我的估计器实例，它包含所有以前的知识
}