sklearn SGDClassifier fit() 与 partial_fit()
sklearn SGDClassifier fit() vs partial_fit()
我对 SGDClassifier 的 fit() 和 partial_fit() 方法感到困惑。文档对两者都说，"Fit linear model with Stochastic Gradient Descent.".
我对随机梯度下降的了解是，它需要一个（或整个训练样本的一小部分）在一次迭代中更新模型参数。梯度下降在每次迭代中使用整个数据集。我想使用逻辑回归训练模型。我想实现正常的梯度下降和随机梯度下降并比较它们所需的时间。如何用 SGDClassifier 做到这一点？ fit() 方法是否像普通梯度下降一样工作？
我认为 partial_fit 方法对于更新已经训练过的模型很有用，而 fit 方法将从头开始重新训练模型。
至于手动选择每次权重更新中包含多少数据，我似乎无法在 SGDClassifier documentation 中找到相关论据。
我对 SGDClassifier 的 fit() 和 partial_fit() 方法感到困惑。文档对两者都说，"Fit linear model with Stochastic Gradient Descent.".
我对随机梯度下降的了解是，它需要一个（或整个训练样本的一小部分）在一次迭代中更新模型参数。梯度下降在每次迭代中使用整个数据集。我想使用逻辑回归训练模型。我想实现正常的梯度下降和随机梯度下降并比较它们所需的时间。如何用 SGDClassifier 做到这一点？ fit() 方法是否像普通梯度下降一样工作？
我认为 partial_fit 方法对于更新已经训练过的模型很有用，而 fit 方法将从头开始重新训练模型。
至于手动选择每次权重更新中包含多少数据，我似乎无法在 SGDClassifier documentation 中找到相关论据。