在Java中更新Logistic回归模型时，不能直接使用`partial_fit`方法。可考虑使用`warm_start=True`选项，这允许重用之前的解决方案以加速收敛。另外，可以使用`SGDClassifier`替代，其配合`loss='log'`参数实现类似Logistic回归的效果，并且支持`partial_fit`方法。`warm_start`和`partial_fit`虽然都能从之前模型开始更新，但`warm_start`用于加速收敛，而`partial_fit`则适合在线学习和小批量数据更新。注意，在使用`warm_start`时，所有数据应包含每个类别的样本。
你 cannot 在 LogisticRegression 上使用了 partial_fit .
但是你可以：
使用 warm_start=True ，它重用上一次调用的解决方案以适合初始化，以加速收敛 .
使用 SGDClassifier 与 loss='log' 相当于 LogisticRegression ，并且支持 partial_fit .
注意 partial_fit 和 warm_start 之间的区别 . 两种方法都从之前的模型开始并更新它，但 partial_fit 仅略微更新模型，而 warm_start 一直在新训练数据上收敛，忘记了之前的模型 . warm_start 仅用于加速收敛 .
warm_start在同一数据集上重复拟合估算器时，但对于多个参数值(例如在网格搜索中找到最大化性能的值)，可以重用从前一个参数值中学习的模型的各个方面，从而节省时间 . 当warm_start为true时，现有的拟合模型属性a用于在后续的fit调用中初始化新模型 . 请注意，这仅适用于某些模型和某些参数，甚至适用于某些参数值的顺序 . 例如，在构建随机森林以向森林添加更多树(增加n_estimators)但不减少其数量时，可以使用warm_start . partial_fit也保留了调用之间的模型，但有所不同：使用warm_start，参数会发生变化，并且数据在(或多或少)调整之间保持不变;使用partial_fit，小批量数据更改和模型参数保持固定 . 在某些情况下，您希望使用warm_start来适应不同但密切相关的数据 . 例如，最初可以适合数据的子集，然后在完整数据集上微调参数搜索 . 对于分类，一系列warm_start调用中的所有数据必须包含来自每个类的样本 .
__
partial_fit便于以在线方式拟合估算器 . 与fit不同，重复调用partial_fit不会清除模型，而是根据提供的数据对其进行更新 . 提供给partial_fit的数据部分可以称为小批量 . 每个小批量必须具有一致的形状等.partial_fit也可以用于核外学习，尽管通常仅限于可以在线进行学习的情况，即模型在每个partial_fit之后可用且没有最终确定模型所需的单独处理 . cluster.Birch引入了这样的约定，即调用partial_fit(X)将生成一个未完成的模型，但是可以通过调用partial_fit()来确定模型，即不传递另一个小批量 . 通常，在调用partial_fit之间不应修改估计器参数，尽管partial_fit应验证它们以及新的小批量数据 . 相比之下，warm_start用于使用相同的数据重复拟合相同的估计器，但变化的参数 .
199
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
