我已经训练了一个逻辑回归模型。现在我需要用一组新的训练数据来更新（部分拟合）这个模型。这是可能的吗？

回答：

你不能在LogisticRegression上使用partial_fit。

但是你可以：

• 使用warm_start=True，它会重用上次调用fit的解决方案作为初始化，以加速收敛。
• 使用SGDClassifier并设置loss='log'，这相当于LogisticRegression，并且支持partial_fit。

注意partial_fit和warm_start之间的区别。这两种方法都从之前的模型开始并更新它，但partial_fit只会稍微更新模型，而warm_start则会在新训练数据上完全收敛，忘记之前的模型。warm_start仅用于加速收敛。

另见术语表：

warm_start

当在相同数据集上重复拟合估计器，但使用多个参数值（例如在网格搜索中寻找最大化性能的值）时，可以重用从之前参数值学习到的模型方面，节省时间。当warm_start为真时，现有的拟合模型属性将用于在后续调用fit时初始化新模型。

请注意，这仅适用于某些模型和某些参数，甚至某些参数值的顺序。例如，warm_start可用于构建随机森林以向森林中添加更多树（增加n_estimators），但不能减少它们的数量。

partial_fit也保留模型在调用之间的状态，但有所不同：使用warm_start时，参数会改变，而数据在多次调用fit时（或多或少）保持不变；使用partial_fit时，数据的迷你批次会改变，而模型参数保持固定。

在某些情况下，你可能希望使用warm_start来拟合不同的但密切相关的数据。例如，你可能首先拟合到数据的一个子集，然后在完整数据集上微调参数搜索。对于分类，在一系列warm_start调用fit中的所有数据必须包括每个类别的样本。

__

partial_fit

有助于以在线方式拟合估计器。与fit不同，反复调用partial_fit不会清除模型，而是根据提供的数据更新模型。提供给partial_fit的数据部分可能被称为迷你批次。每个迷你批次必须具有一致的形状等。

partial_fit也可用于离核学习，尽管通常仅限于可以进行在线学习的情况，即模型在每次partial_fit后可用，并且不需要单独的处理来完成模型。cluster.Birch引入了这样的约定：调用partial_fit(X)将产生一个未完成的模型，但可以通过调用partial_fit()（即不传递进一步的迷你批次）来完成模型。

一般来说，估计器参数在调用partial_fit之间不应被修改，尽管partial_fit也应验证它们以及新的迷你批次数据。相比之下，warm_start用于重复拟合相同估计器但使用相同数据和不同的参数。