python sklearn 梯度下降法_python – 用scikit学习批量梯度下降(sklearn)

我正在使用Scikit-Learn(sklearn)玩一对一的Logistic回归分类器.我有一个大的数据集太慢,无法一次性运行;我也想在训练进行时研究学习曲线.

我想使用批量梯度下降来分批训练我的分类器,比如500个样本.有没有办法使用sklearn来做到这一点,还是应该放弃sklearn并“滚动自己”？

这是我到目前为止：

from sklearn.linear_model import LogisticRegression

from sklearn.multiclass import OneVsRestClassifier

# xs are subsets of my training data, ys are ground truth for same; I have more

# data available for further training and cross-validation:

xs.shape, ys.shape

# => ((500, 784), (500))

lr = OneVsRestClassifier(LogisticRegression())

lr.fit(xs, ys)

lr.predict(xs[0,:])

# => [ 1.]

ys[0]

# => 1.0

即它正确地识别了一个训练样本(是的,我意识到用新数据评估它会更好 – 这只是一个快速的烟雾测试).

回覆.批量梯度下降：我还没有创建学习曲线,但是可以在训练数据的后续子集上重复运行吗？或者还有其他一些批量训练的功能？文档和谷歌在这件事上相当沉默.谢谢！