scikit-learn：6. Strategies to scale computationally: bigger data

参考：http://scikit-learn.org/stable/modules/scaling_strategies.html

对于examples、features（或者两者）数量很大的情况，挑战传统的方法要解决两个问题：内存和效率。办法是Out-of-core (or “external memory”) learning。有三种方法可以实现out-of-core，分别是：

1、Streaming instances（流体化实例）：

简单说就是，instances是一个一个来的。具体实现不在scikit-learn文档范围。

2、Extracting features：

简单说就是利用different feature extraction methods（翻译之后的文章：http://blog.csdn.net/mmc2015/article/details/46992105）实现大数据提取有用数据，简化内存、提高效率。不细讲。

3、Incremental learning：

all estimators implementing the partial_fit API are candidates。

the ability to learn incrementally from a mini-batch of instances (sometimes called “online learning”) is key to out-of-core learning as it guarantees that at any given time there will be only a small amount of instances in the main memory。

所有实现 partial_fit API 的estimators都可以实现增量学习，包括：

• Classification

  • sklearn.naive_bayes.MultinomialNB
  • sklearn.naive_bayes.BernoulliNB
  • sklearn.linear_model.Perceptron
  • sklearn.linear_model.SGDClassifier
  • sklearn.linear_model.PassiveAggressiveClassifier

• Regression

  • sklearn.linear_model.SGDRegressor
  • sklearn.linear_model.PassiveAggressiveRegressor

• Clustering

  • sklearn.cluster.MiniBatchKMeans

• Decomposition / feature Extraction

  • sklearn.decomposition.MiniBatchDictionaryLearning
  • sklearn.decomposition.IncrementalPCA
  • sklearn.cluster.MiniBatchKMeans

注意：对于分类问题，由于incremental learner可能不知道所有的classes有哪些，所以第一次调用partial_fit时，最好人工设定参数 classes= ，指明所有类别。

4、Examples：

a example of Out-of-core classification of text documents. 通过例子可以更好理解上面的内容。