是否可以在 sklearn 中执行小批量梯度下降以进行逻辑回归？我知道有LogisticRegression模型和SGDClassifier（可以使用log损失函数）。但是，LogisticRegression它适用于整个数据集并SGDClassifier逐个样本地拟合（请随意更正该陈述，但这就是我理解随机梯度下降的方式）。
还有一种partial_fit方法，但仅适用于 SGD。我相信，如果我使用partial_fitSGD，它会在每次遍历下一个数据集样本时更新权重（就像普通fit方法一样）。因此，如果我向它提供 10 个样本的块，partial_fit它会进行 10 次更新——但这不是我想要的。
我需要得到的是在每个第 n 个样本之后更新权重，就像在小批量梯度下降中一样。根据我所读到的内容LogisticRegression，可以使用所谓的东西warm_start，这意味着，来自先前fit方法的权重被设置为 current 的初始值fit。
如果这个理论warm_start是真的，我可以fit多次使用方法，每次只在一个小批量上？或者有没有其他方法可以在 sklearn 中进行小批量梯度下降？
我发现这个问题非常相似，只是它没有讨论这个warm_start想法，所以这就是我再次问的原因。