Question

在scikit中学习我有一个模型（在我的情况下是线性模型）

clf = linear_model.LinearRegression()

我可以用一些数据训练这个模型

clf.fit(x1,y1)

但是，如果我再次致电fit，它将继续训练模型。

clf.fit(x2,y2)

现在clf是一个同时训练（x1，y1）和（x2，y2）的模型

如果我想从0开始训练，我可以通过重新定义clf

重新创建模型

clf = linear_model.LinearRegression()
clf.fit(x1,y1)
# save the model
# ...
clf = linear_model.LinearRegression()
clf.fit(x2,y2)

但是我不想再次定义clf：

基本上，之前选择了回归器的类型，例如：

if params.linear_algorithm == 'least_squares':
    clf = linear_model.LinearRegression()
elif params.linear_algorithm == 'ridge':
    clf = linear_model.Ridge()
elif params.linear_algorithm == 'lasso':
    clf = linear_model.Lasso()

所以我不希望在我的训练函数中使用所有条件块重新定义clf，而只想取clf，从以前的训练中清除掉，并重用它来训练另一组数据。

clf是否有一种方法可以清除到目前为止所学的知识，所以当我调用clf.fit（x2，y2）时，仅对这些数据进行训练？

编辑：你们是对的，每次培训都被覆盖。

我的问题是我将模型保存在字典中，并且只引用了clf，因此每次重新训练clf时，所有以前的保存都会更改。

每次重新定义clf都会创建一个新对象，因此每个保存点现在都具有不同的模型

示例

for i in range(3):
   # get the x and y
   # ...
   clf.fit(x,y)
   model[i] = clf

有什么主意如何每次都保存不同的模型，而不是将所有模型[i]指向相同的clf？

Answer 1

您的假设是错误的。根据{{3}}：

多次调用fit（）会覆盖以前的fit（）所学到的知识。

因此，您可以安全地使用代码，它将满足您的需求。

Answer 2

我很确定它会覆盖以前的所有现有信息。 Scikit Learn文档对此进行了指定。除非您使用warm_start = True，否则fit()调用将覆盖现有数据。

Scikit学习：忘记以前的火车数据

2 个答案: