使用Google Prediction API（v1.6）进行分类时，使用＆＃34; insert＆＃34;时会出现不同的行为。培训模型与＃34;更新＆＃34;。
如果我将csv文件上传到存储并使用它来训练（插入）或使用insert方法并在请求中包含训练数据，结果是相同的。 （即我使用的插入方法并不重要）。
但是，通过插入创建一个空模型，然后通过更新添加所有数据会产生不同的结果。
预测概率的值非常不同，并且通过插入创建的模型在初始训练后不会受到更新的影响
。使用插入，＆＃34; Addr12＆＃34;的预测概率分别是：
预测：Addr12
问题：0.071895标签：登录名
问题：0.039216标签：国家
问题：0.000000标签：登录类型
问题：0.013072标签：SSN
问题：0.052288标签：员工编号
问题：0.032680标签：名字
问题：0.071895标签：中间名
问题：0.052288标签：姓氏
问题：0.071895标签：出生日期
问题：0.098039标签：性别
问题：0.006536标签：资格等级
问题：0.019608标签：位置
问题：0.104575标签：地址1
问题：0.111111标签：地址2
问题：0.026144标签：城市
问题：0.058824标签：Zip
问题：0.091503标签：雇用日期
问题：0.078431标签：每周工作小时数
使用更新，＆＃34; Addr12＆＃34;的预测概率分别是：
预测：Addr12
问题：0.000000标签：每周工作小时数
问题：0.000000标签：雇用日期
问题：0.000000标签：Zip
问题：0.000000标签：国家
问题：0.000000标签：城市
问题：0.527513标签：地址2
问题：0.472487标签：地址1
问题：0.000000标签：位置
问题：0.000000标签：资格等级
问题：0.000000标签：性别
问题：0.000000标签：出生日期
问题：0.000000标签：姓氏
问题：0.000000标签：中间名
问题：0.000000标签：名字
问题：0.000000标签：员工编号
问题：0.000000标签：SSN
问题：0.000000标签：登录类型
问题：0.000000标签：登录名称
最后，使用insert后Analyze的输出包含dataDescription / outputFeature / text以及modelDescription和confusionMatrix。使用更新后Analyze的输出不包含modelDescription和confusionMatrix（不是我不简单，不包括输出中的那些字段）。
任何人都能成功使用insert来训练初始模型，同时能够使用更新来改进它吗？
----- Ed