python - 用新数据更新 SVM 分类器

Question

我使用 Python 训练了一个 SVM 分类器

clf = sklearn.svm.NuSVC(nu=0.05, probability=True, kernel='rbf')
clf.fit(points, classes)

这对于预测非常有效。现在我想更新分类器参数。很少有点改变分类(从正数到零)，并且添加了一些。少数表示 10000 中的 50 或更多。

我认为提示 SVM 分类器从前面的参数开始是明智的，这应该非常接近最佳解决方案。我遇到的问题是，有时分类器随机地非常差(我认为拟合失败)。有没有办法在 scikit-learn 或 libsvm 中这样做？

Answer 1

NuSVC 不提供增量/在线学习。要在 scikit-learn 中执行此操作，您需要 SGDClassifier。这适合线性模型，但您可以使用 kernel_approximations 获得 RBF 内核的近似值。模块(另见 its author's blog )。

如果您想要一个真正的在线内核学习者，请查看 LASVM .