在 Python SGDClassifier 中保存 partial_fit 的多个实例之间的进度
Save progress between multiple instances of partial_fit in Python SGDClassifier
我已成功遵循 this 我自己的文本分类脚本的示例。
问题是我不想在 partial_fit 调用的循环中处理庞大但现有的数据集，就像他们在示例中所做的那样。我希望能够在数据可用时添加数据，即使我同时关闭了我的 python 脚本。
理想情况下，我想做这样的事情：
2015 年的某个时间：
model2015=partial_fit(dataset2015)
save_to_file(model2015)
关闭我的 python 脚本
2016 年的某个时候：
再次打开我的 python 脚本
load_from_file(model2015)
partial_fit（dataset2016合并model2015）
save_to_file(model2016)
2017 年的某个时候：
再次打开我的 python 脚本
等...
有什么方法可以在 scikit-learn 中做到这一点？或者在其他一些包中（也许是 Tensorflow）？
只需腌制您的模型并将其保存到磁盘。另一种方法是转储 .coef_ 和 .intercept_ 字段（这只是两个数组）并在调用 .fit
时将它们用作初始值设定项
我已成功遵循 this 我自己的文本分类脚本的示例。
问题是我不想在 partial_fit 调用的循环中处理庞大但现有的数据集，就像他们在示例中所做的那样。我希望能够在数据可用时添加数据，即使我同时关闭了我的 python 脚本。
理想情况下，我想做这样的事情：
2015 年的某个时间：
model2015=partial_fit(dataset2015)
save_to_file(model2015)
关闭我的 python 脚本
2016 年的某个时候：
再次打开我的 python 脚本
load_from_file(model2015)
partial_fit（dataset2016合并model2015）
save_to_file(model2016)
2017 年的某个时候：
再次打开我的 python 脚本
等...
有什么方法可以在 scikit-learn 中做到这一点？或者在其他一些包中（也许是 Tensorflow）？
只需腌制您的模型并将其保存到磁盘。另一种方法是转储 .coef_ 和 .intercept_ 字段（这只是两个数组）并在调用 .fit
时将它们用作初始值设定项