Scikit learn 通过迭代器拟合/训练/预测函数-可能吗？

我想知道是否有一种方法可以将类似迭代器的函数传递到这些varius sk模型中，例如： 随机森林/逻辑回归等

我有一个张量流数据集可以从那里获取numpy迭代器，但不能在这些函数中使用它

有解决办法吗

xs = tfds.as_numpy(tf.data.Dataset.from_tensor_slices(xs))
ys = tfds.as_numpy(tf.data.Dataset.from_tensor_slices(ys))

然后拟合模型：

cls.fit(xs, ys)

导致：

TypeError: float() argument must be a string or a number, not '_IterableDataset'

---

使用存储在列表中的数据拟合和测试模型的示例如下：

#导入一些库
从sklearn.dataset导入make_分类
从sklearn.linear_模型导入逻辑回归
从sklearn.model\u选择导入列车\u测试\u拆分
#制作一些通用数据
第一组数据，第一组分类=进行分类（n组样本=100，n组特征=5，随机状态=1）
第二组数据，第二组分类=进行分类（n组样本=100，n组特征=5，随机状态=2）
第三类数据，第三类=进行分类（n类样本=100，n类特征=5，随机状态=3）
#将数据和类保存到列表中
数据=[第一个数据，第二个数据，第三个数据]
classes=[第一类、第二类、第三类]
#声明逻辑回归实例
模型=逻辑回归（）
对于范围内的i（len（数据））：
#将数据拆分为培训和测试
X_序列，X_测试，y_序列，y_测试=序列测试分割（数据[i]，类别[i]，测试大小=0.15）
#符合模型
模型拟合（X\U系列、y\U系列）
#打印结果
打印（“{}数据集}分数：{}”。格式（i+1，model.Score（X|u测试，y|u测试）））

每次安装模型时，您都会得到一个经过新培训的模型……您想实现什么目标？您可以将多个数据集放在一个列表中，在列表中循环，然后对每个数据集进行拟合？但我得到了一个错误TypeError。你能建议怎么处理吗？