我尝试通过SGDClassifer.partial_fit来预测新添加数据的标签，如下所示：

from sklearn import neighbors, linear_modelimport numpy as npdef train_predict():    X = [[1, 1], [2, 2.5], [2, 6.8], [4, 7]]    y = [1, 2, 3, 4]    sgd_clf = linear_model.SGDClassifier(loss="log")    sgd_clf.fit(X, y)    X1 = [[6,9]]    y1=[5]    f1 = sgd_clf.partial_fit(X1,y1)    f1.predict([[6,9]])    return f1if __name__ == "__main__":    clf = train_predict()

使用fit方法完美地预测了标签。然而，使用partial fit进行预测时出现了错误，如下所示：

in compute_class_weight    raise ValueError("classes should include all valid labels that can be in y")

类似于Sklearn SGDC partial_fit ValueError: classes should include all valid labels that can be in y，我阅读了partial_fit的说明文档，http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.SGDClassifier.html#sklearn.linear_model.SGDClassifier.partial_fit

但我仍然无法弄清楚如何设置partial_fit的参数，以便能够预测动态添加的数据。

有什么参考资料或想法吗？

回答：

根本问题似乎是您输入到partial fit的数据不是原始数据（输入到.fit()的数据）的子集。

至少这是我对partial_fit()中X和y文档的解释：

X : {array-like, sparse matrix}, shape (n_samples, n_features)

Subset of the training data

y : numpy array, shape (n_samples,)

Subset of the target values

当您使用X1和y1时，错误变得明显，如果使用文档中建议的classes = np.unique(y1)，会得到：

ValueError: `classes=array([5])` is not the same as on last call to    partial_fit, was: array([1, 2, 3, 4])

这表明partial_fit在fit内部被使用。

以下示例可以工作：

X1 = X[2:3]y1 = y[2:3]classes = np.unique(y)f1 = sgd_clf.partial_fit(X1, y1, classes=classes)

因此，请确保X1和y1包含在您的原始数据集中。