python - 如何在 Scikit SGDClassifier 中使用 partial_fit 增加迭代次数以优化每一步的成本函数？

Question

当在 Scikit SGDClassifier 使用 partial_fit 时，成本函数收敛的迭代次数等于 1，如描述中所述：

对给定样本执行一个时期的随机梯度下降。
在内部，此方法使用 max_iter = 1。因此，不能保证调用一次后达到成本函数的最小值。客观收敛、提前停止等事项应由用户自行处理。

如何增加 max_iter 以使我的成本函数得到适当优化，而不仅仅是一次迭代？或者与 scikit- 描述相关，我如何使用 partial_fit 处理我的分类器的“目标收敛”和“提前停止”？

Answer 1

您可以简单地使用该fit()方法而不是该partial_fit()方法，并max_iter通过为您希望为 SGDClassifier 拥有的迭代次数提供一个整数值来增加 。这里的默认值为 1000 次迭代。

查看带有 max_iter 参数的文档：https ://scikit-learn.org/stable/modules/generated/sklearn.linear_model.SGDClassifier.html

Answer 2

只是partial_fit()使用相同的数据一次又一次地执行命令，例如使用实际批次。这是我的代码片段，我刚刚围绕partial_fit()命令编写了一个循环：

for i_iter in np.arange(iterPerBatch):
       clf.partial_fit(X_batch, y_batch, classes=[0,1])

该变量iterPerBatch定义了迭代次数。