使用新数据更新SVM分类器

Question

我使用

在Python中训练了一个SVM分类器

clf = sklearn.svm.NuSVC(nu=0.05, probability=True, kernel='rbf')
clf.fit(points, classes)

这对预测非常有用。 现在我想更新分类器参数。 几点不会改变分类（从正数到零），还会添加一些分数。少数意味着10000或更多的50。

我认为提示SVM分类器从先前的参数开始是明智的，这应该非常接近最佳解决方案。我有一个问题，有时，分类器随机非常差（我认为拟合失败）。 有没有办法在scikit-learn或libsvm中这样做？

Answer 1

NuSVC不提供增量/在线学习。要在scikit-learn中执行此操作，您需要SGDClassifier。这符合线性模型，但您可以使用kernel_approximations模块获得RBF内核的近似值（另请参阅its author's blog）。

如果您想要一个真正的在线内核学习者，请查看LASVM。

Answer 2

似乎sklearn.linear_model.SGDClassifier partial_fit方法可以通过随机梯度下降实现在线学习效果。但内核必须是线性的。据我所知，scikit或libsvm不支持使用rbf内核进行在线学习。