当使用 Google Prediction API (v1.6) 进行分类时，我在使用“插入”训练模型与“更新”时会得到不同的行为。
如果我将 csv 文件上传到存储并使用它进行训练（插入）或使用插入方法并将训练数据包含在请求中，结果是相同的。（即我使用哪种插入方法无关紧要）。
但是，通过插入创建一个空模型，然后通过更新添加所有数据会产生不同的结果。
预测概率的值非常不同，通过插入创建的模型似乎不受初始训练后更新的影响。
使用插入，“Addr12”的预测概率为：
预测：Addr12概率
：0.071895 标签：登录名称
概率：0.039216 标签：状态概率
：0.000000 标签：登录类型
概率：0.013072 标签：SSN
概率：0.052288 标签：员工编号
概率：0.032680 标签：名字
概率：0.071895 标签：中间名
概率：0.052288 标签：姓氏
概率：0.071895 标签：出生日期
概率：0.098039 标签：性别
概率：0.006536 标签：资格等级
概率：0.019608 标签：位置
概率：0.104575标签：地址 1
概率：0.111111 标签：地址 2
概率：0.026144 标签：城市
概率：0.058824 标签：邮编
概率：0.091503 标签：雇用日期
概率：0.078431 标签：每周工作小时数
使用更新，“Addr12”的预测概率为：
预测：Addr12概率
：0.000000 标签：每周工作时间概率
：0.000000 标签：雇用日期
概率：0.000000 标签：邮编
概率：0.000000 标签：状态
概率：0.000000 标签：城市
概率：0.527513 标签：地址 2
概率：0.472487 标签：地址 1 概率
：0.000000 标签：位置
概率：0.000000 标签：资格等级
概率：0.000000 标签：性别
概率：0.000000 标签：出生日期
概率：0.000000 标签：姓氏
概率：0.000000 标签：中间名
概率：0.000000 标签：名字概率
：0.000000 标签：员工编号
概率：0.000000 标签：SSN
概率：0.000000 标签：登录类型
概率：0.000000 标签：登录名
最后，Analyze after using insert 的输出包含 dataDescription/outputFeature/text 加上 modelDescription 和confusionMatrix。使用更新后分析的输出不包含模型描述和混淆矩阵（不，我不简单，不包括输出中的那些字段）。
有人成功地使用插入来训练初始模型，同时能够使用更新来改进它吗？
----- 埃德