47

我正在尝试使用 SGD 对大型数据集进行分类。由于数据太大而无法放入内存,我想使用partial_fit方法来训练分类器。我选择了适合内存的数据集样本(100,000 行)来测试fitpartial_fit

from sklearn.linear_model import SGDClassifier

def batches(l, n):
    for i in xrange(0, len(l), n):
        yield l[i:i+n]

clf1 = SGDClassifier(shuffle=True, loss='log')
clf1.fit(X, Y)

clf2 = SGDClassifier(shuffle=True, loss='log')
n_iter = 60
for n in range(n_iter):
    for batch in batches(range(len(X)), 10000):
        clf2.partial_fit(X[batch[0]:batch[-1]+1], Y[batch[0]:batch[-1]+1], classes=numpy.unique(Y))

然后我用相同的测试集测试这两个分类器。在第一种情况下,我得到 100% 的准确率。据我了解,SGD 默认通过训练数据 5 次(n_iter = 5)。

在第二种情况下,我必须将数据传递 60 次才能达到相同的精度。

为什么会有这种差异(5 vs. 60)?还是我做错了什么?

4

1 回答 1

75

我终于找到了答案。您需要在每次迭代之间打乱训练数据,因为在实例化模型时设置shuffle=True不会在使用partial_fit时打乱数据(它仅适用于fit)。注意:在sklearn.linear_model.SGDClassifier 页面上找到这些信息会很有帮助。

修改后的代码如下:

from sklearn.linear_model import SGDClassifier
import random
clf2 = SGDClassifier(loss='log') # shuffle=True is useless here
shuffledRange = range(len(X))
n_iter = 5
for n in range(n_iter):
    random.shuffle(shuffledRange)
    shuffledX = [X[i] for i in shuffledRange]
    shuffledY = [Y[i] for i in shuffledRange]
    for batch in batches(range(len(shuffledX)), 10000):
        clf2.partial_fit(shuffledX[batch[0]:batch[-1]+1], shuffledY[batch[0]:batch[-1]+1], classes=numpy.unique(Y))
于 2014-07-15T09:51:27.850 回答