机器学习：从真实标记数据更新权重

Question

问题的定义：

• 我有一些数据可以说2个功能，但没有标记。
• 我手动创建权重并用分数标记数据
• 我将数据呈现给有订单的用户并且用户给出了他自己的分数
• 根据用户的反馈，我想更新权重，分配新分数并按新顺序返回列表。
• 每次用户提供新标签时都应该继续

从一个角度来看，是成对排名问题的在线学习。

一个简单的插图：

假设我有以下未标记的数据：

import numpy as np
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])

我手动创建权重并标记数据（这并不意味着此权重是正确的＆＃39;所以我们不确定标签是否正确）。通过手动创建权重，标签如下：

Y = np.array([1, 1, 2, 2])

我正在使用SGD训练sklearn随机梯度下降算法，其中“铰链”丢失会产生线性SVM（用于“学习排名＆＃39;”）

from sklearn import linear_model
clf = linear_model.SGDClassifier()
clf.fit(X, Y)

一段时间后，我会获得以前某些数据的正确标签（将其命名为true_data并使用partial_fit将其放入以前的模型中：

x_true_data = np.array([[-1,-1]])
y_true_data = np.array([1])
clf.partial_fit(x_new,y_new)

这会更新权重。我有些担忧：

• 有没有办法奖励＆＃39;如果前面的算法能够正确预测结果，或者如果不是true_data则反之？与adaboost类似的东西。
• 如果true_data数据不多（5-20​​之间）
，此算法的可靠性如何
• 我可以调整学习率，以便提供更高的价值＆＃39;到true_data？
• 还有另一种方法来思考这个问题吗？我应该考虑除SVM之外的其他算法吗？

我可以提供一些有用的链接，但如果我继续沿着这条路走下去，我就不会清楚自己的想法：

How to update an SVM model with new data

log.regression vs SGDClassifier

欢迎任何反馈。