是否有任何复杂的sklearn模型使用partial_fit或类似的在线学习？

Question

我正在寻找一种“合理”复杂性的Python在线学习/增量学习算法。

在Scikit-learn中我发现了一些使用partial_fit方法的算法，即['BernoulliNB', 'GaussianNB', 'MiniBatchKMeans', 'MultinomialNB', 'PassiveAggressiveClassifier', PassiveAggressiveRegressor', 'Perceptron', 'SGDClassifier', 'SGDRegressor']

据我所知，所有这些算法都形成了简单的决策边界。我们是否在Python中的某个位置使用现成的在线算法来模拟更复杂的决策边界？

更正：如下所述，K-means当然没有简单的决策边界。我正在寻找的是具有例如XOR的监督算法。

Answer 1

一种通用的方法是将线性分类器与一些 Kernel-Approximation 技术结合起来，例如：

• 基于SGD的SVM / Logistic回归：
  • Nystroem
  • RBFSampler / Random Kitchen Sinks

只需建立一个pipeline，您仍然可以使用partial_fit。

还有一句话（关于你的算法列表）：KMeans或KNearestNeighbor不形成线性决策边界！