python - 如何使用 scikit-learn 加载之前保存的模型并使用新的训练数据扩展模型

Question

我正在使用 scikit-learn，其中我保存了一个逻辑回归模型，其中包含一元组作为训练集 1 中的特征。是否可以加载此模型，然后使用第二个训练集(训练设置 2)?如果是，该怎么办？这样做的原因是因为我对每个训练集使用两种不同的方法(第一种方法涉及特征损坏/正则化，第二种方法涉及 self 训练)。

为了清楚起见，我添加了一些简单的示例代码:

from sklearn.linear_model import LogisticRegression as log
from sklearn.feature_extraction.text import CountVectorizer as cv
import pickle

trainText1 # Training set 1 text instances    
trainLabel1 # Training set 1 labels 
trainText2 # Training set 2 text instances    
trainLabel2 # Training set 2 labels 

clf = log()
# Count vectorizer used by the logistic regression classifier 
vec = cv() 

# Fit count vectorizer with training text data from training set 1
vec.fit(trainText1) 

# Transforms text into vectors for training set1
train1Text1 = vec.transform(trainText1) 

# Fitting training set1 to the linear logistic regression classifier 
clf.fit(trainText1,trainLabel1)

# Saving logistic regression model from training set 1
modelFileSave = open('modelFromTrainingSet1', 'wb')
pickle.dump(clf, modelFileSave)
modelFileSave.close()  

# Loading logistic regression model from training set 1    
modelFileLoad = open('modelFromTrainingSet1', 'rb')
clf = pickle.load(modelFileLoad)

# I'm unsure how to continue from here....

Answer 1

LogisticRegression 在内部使用不支持增量拟合的 liblinear 求解器。相反，您可以使用 SGDClassifier(loss='log') 作为 partial_fit 方法，尽管在实践中可以用于此目的。其他超参数有所不同。小心仔细地网格搜索它们的最佳值。请阅读 SGDClassifier 文档了解这些超参数的含义。

CountVectorizer 不支持增量拟合。您必须重复使用训练集 #1 上安装的矢量化器来转换 #2。这意味着集合 #2 中尚未在 #1 中看到的任何标记都将被完全忽略。这可能不是您所期望的。

为了缓解这种情况，您可以使用无状态的 HashingVectorizer，但代价是不知道这些功能的含义。阅读 the documentation了解更多详情。