我已经训练了逻辑回归模型。现在，我必须使用一组新的训练数据来更新（部分拟合）模型。有可能吗？
答案 0 :(得分：5)
您不能在partial_fit上使用LogisticRegression。
但是您可以：
warm_start=True，它重用上一个调用的解决方案以适合初始化，以加快收敛速度。SGDClassifier与loss='log'一起使用，它等效于LogisticRegression，并且支持partial_fit。请注意partial_fit和warm_start之间的区别。两种方法都从先前的模型开始并进行更新，但是partial_fit仅对模型进行了少许更新，而warm_start一直在新训练数据上进行收敛，而忘记了先前的模型。 warm_start仅用于加速收敛。
另请参阅the glossary：
warm_start在同一数据集上反复拟合估算器时，但对于多个参数值（例如在网格搜索中找到使性能最大化的值），可以重用从先前参数值中学到的模型的各个方面，节约时间。当
warm_start为true时，现有的拟合模型属性an用于在随后对fit的调用中初始化新模型。请注意，这仅适用于某些模型和某些参数，甚至某些数量的参数值。例如，在构建随机森林时可以使用
warm_start，以向森林中添加更多树（增加n_estimators），但不减少其数量。
partial_fit也保留了两次调用之间的模型，但有所不同：对于warm_start，参数会发生变化，并且在每次调用之间数据（或多或少）是常数，以适应；使用partial_fit，数据更改和模型参数的最小批量保持固定。在某些情况下，您想使用
warm_start来适应不同但密切相关的数据。例如，最初可能适合数据的一个子集，然后对整个数据集上的参数搜索进行微调。为了进行分类，在warm_start的{{1}}调用序列中的所有数据都必须包括每个类的样本。
__
fit便于以在线方式拟合估算器。与
partial_fit不同，重复调用fit不会清除模型，而是会针对提供的数据进行更新。提供给partial_fit的数据部分可以称为迷你批处理。每个小批量产品必须具有一致的形状，等等。
partial_fit也可以用于核心学习，尽管通常限于可以在线进行学习的情况，即模型在每次partial_fit之后都可用，并且不需要单独的处理来完成该模型。partial_fit引入了一种约定，即调用cluster.Birch会生成未定型的模型，但是可以通过调用partial_fit(X)来定型该模型，即无需传递进一步的小批量批处理。通常，不应
partial_fit()进行两次调用之间修改估计器参数，尽管partial_fit应该对它们以及新的微型数据进行验证。相比之下，partial_fit用于将具有相同数据但参数变化的同一估计量重复拟合。