使用python sklearn增量训练随机森林模型

Question

我使用以下代码保存随机森林模型。我正在使用cPickle来保存训练有素的模型。当我看到新数据时，我可以逐步训练模型吗？ 目前，列车组有大约2年的数据。有没有办法在另外两年训练，并且（有点）将它附加到现有的已保存模型。

$ ./a.out 2 "Soa" "8" "m" "4" "8"
48
4Soa
4m
84
88
8Soa
8m
Soa4
Soa8
Soam
m4
m8
mSoa

编辑1：我没有计算能力来同时训练模型4年的数据。

Answer 1

sklearn User Guide中讨论了您正在谈论的内容，以及逐步更新其他数据的模型：

  

虽然所有算法都无法逐步学习（即没有   一次看到所有实例），所有估算器都实现了   partial_fit API是候选者。实际上，学习的能力   从一小批实例中逐步增加（有时称为“在线”   学习“）是核心学习的关键，因为它保证了任何   给定时间主要内容中只有少量实例   存储器中。

它们包含一个实现partial_fit()的分类器和回归程序列表，但RandomForest不在其中。您还可以确认RFRegressor未实现部分适合on the documentation page for RandomForestRegressor。

一些可能的前进方式：

• 使用实现partial_fit()的回归程序，例如SGDRegressor
• 检查您的RandomForest模型的feature_importances_属性，然后在删除不重要的功能后，在3年或4年的数据上重新训练模型
• 仅使用最近两年的数据训练您的模型，如果您只能使用两年
• 使用从所有四年数据中抽取的随机子集训练您的模型。
• 更改tree_depth参数以限制模型的复杂程度。这节省了计算时间，因此可以允许您使用所有数据。它还可以防止过度拟合。使用交叉验证为您的问题选择最佳树深度超参数
• 如果您还没有设置RF模型的参数n_jobs=-1，请在您的计算机上使用多个核心/处理器。
• 使用更快的基于集合树的算法，例如xgboost
• 在云中的大型计算机上运行模型拟合代码，例如AWS或dominodatalab