问题标签 [online-machine-learning]

我必须预测两个标签，并使用以下方法创建了一个模型：

model = vw("--multilabel_oaa 50 --ngram E2 -b 24 -l2")

这会在 65% 的预测中返回两个标签。但在其余情况下，它只返回一个标签，在某些情况下甚至返回三个标签，而且预测也是空的。

我尝试过使用 oaa 来预测标签的两个独立模型。但是想将它与这种方法进行比较，但我无法得到预期的预测。

对于任何 Python sklearn 学习模型，是否有可能更新已经拟合的模型？例如，如果我在大量数据上训练了我的模型，是否可以通过引入新数据来更新训练，还是每次都必须重新训练？

我希望 LSTM 学习更新的数据。它需要根据新数据的趋势进行自我更新，我希望将其保存在文件中。然后我希望将这个预先输入的训练文件调用到任何其他完成测试的 X、Y、Z 新文件中。所以我希望用新数据“重新拟合”[更新而不是重新训练]模型，以便模型参数只是更新而不是重新初始化。我知道这是在线学习，但是如何通过 Keras 来实施呢？有人可以建议如何成功实施它吗？

我有一个非常大的数据集需要用于分类，我对数据进行了采样，但这并不能保证我的输出中会包含整个标签。如何对数据进行采样以涵盖所有标签？此外，我想保存我在此过程中使用的label encoder和，以便将它们用于增量学习。RandomForestClassifier我搜索了使用RandomForestClassifier我发现该set_warm功能仅用于添加额外的估计器而不是更新权重。并且partial_fit不支持使用随机森林。所以我的第二个问题是如何更新label encoder和RandomForestClassifier训练可能有其他标签和更多数据点的另一个数据集？

我目前正在对数据集的前 30% 训练一个 Kernel Ridge 回归模型来预测最后 70%。由于我有许多有点相似的数据集，所以我想使用一个已经训练过的模型（在整个数据集上训练过），并将其拟合到一个新的数据集，其中参数和权重不仅被覆盖，而是被调整为来自旧模型的新数据。在查看 SKlearns Kernel Ridge Regression 的文档时，我似乎无法弄清楚如何做到这一点。我发现其他模型具有 partial.fit() 功能，但 KRR 不存在此功能。

所以我想知道是否有解决方法，或者是否真的有一个功能可以实现我想要做的事情。

https://www.pyimagesearch.com/2019/06/17/online-incremental-learning-with-keras-and-creme/ 我练习在线学习并点击此链接。

因为我错误地安装了 creme，所以我找到了替代工具 River。

当我运行块时：

我看到内存错误：

任何人都知道为什么会发生此错误以及如何解决？

假设我IsolationForest()在基于时间序列的 Dataset1 或 dataframe1 上拟合来自 scikit-learn 的算法，并使用此处和此处df1提到的方法保存模型。现在我想为新的dataset2 或.df2

我的发现：

• 这个关于从 sklearn 进行增量学习的解决方法：

...从小批量实例中增量学习（有时称为“在线学习”）是核心外学习的关键，因为它保证在任何给定时间，主实例中只有少量实例记忆。为平衡相关性和内存占用的小批量选择合适的大小可能涉及调整。

但遗憾的是 IF 算法不支持estimator.partial_fit(newdf)

• 根据这篇文章， auto-sklearn 优惠refit()也不适合我的情况。

如何使用新的 Dataset2 更新在 Dataset1 上训练和保存的 IF 模型？