python - 使用SGDClassifier的partial_fit方法进行增量/在线学习

Question

我已经建立了一个增量学习模型，但不确定它是对还是错，我有2个训练数据，第一个包含20000行，第二个包含10000行，它们都有两列描述和id......在离线学习的情况下我的模型工作正常，它正在对给定描述的正确 ID 进行分类。datafile_train 是第一个训练数据datafile_train1 是第二个训练数据我正在使用 SGDClassifier 和partial_fit 方法进行增量

1) Countvectorizer、tfidf 和partial_fit

vectorizer = CountVectorizer()
tfidf_transformer = TfidfTransformer()
X_train = vectorizer.fit_transform(datafile_train.loc[:,'description'])
X_train_tfidf = tfidf_transformer.fit_transform(X_train)
clf = linear_model.SGDClassifier(penalty='l2',loss='hinge')
prd=clf.partial_fit(X_train_tfidf, datafile_train.loc[:,'taxonomy_id'],classes=np.unique(datafile_train.loc[:,'taxonomy_id']))

在此之后，我对分类器进行了pickle，并再次unpickled以在下一个partial_fit中用于增量学习

2)分级机的酸洗和脱酸

def store(prd):
    import pickle
    filename = "incremental"
    f = open(filename, 'wb')
    pickle.dump(prd, f)
    f.close()
store(prd)

def train_data():
    import pickle
    f = open('incremental', 'rb')
    classifier = pickle.load(f)
    f.close()
    return classifier
    clfp=train_data()

3) 再次对新数据进行Countvectorizer、tfidf 和partial_fit

vectorizer = CountVectorizer()
tfidf_transformer = TfidfTransformer()
X_train1 = vectorizer.fit_transform(datafile_train1.loc[:,'description'])
X_train_tfidf1 = tfidf_transformer.fit_transform(X_train1)
prd1=clfp.partial_fit(X_train_tfidf1, datafile_train1.loc[:,'taxonomy_id'])
# here clfp is previously trained data which is unpickled

我已经构建了这样的模型，但是当我检查 pickle 文件的大小(第一个训练数据)时，它是 5 MB，当我使用这个模型来训练新数据时，正如您在第二个部分拟合中看到的那样，我使用了 clfp(5 MB 大小)在训练新数据后，当我为第二个partial_fit 挑选训练文件时，它也仅显示 5 MB 大小，它应该得到更新，因为我正在基于先前训练的数据训练新数据这是实现增量/在线学习的正确方法吗？请帮助我是机器学习的新手，所以如果你用代码解释一下会很好

并且抛出这个错误

ValueError: Number of features 125897 does not match previous data 124454.

****编辑(使用哈希向量化器)

hashing = HashingVectorizer()
X_train_hashing=hashing.fit_transform(datafile_train.loc[:,'description'])
clf = linear_model.SGDClassifier(penalty='l2',loss='hinge')
prd=clf.partial_fit(X_train_hashing, datafile_train.loc[:,'taxonomy_id'],classes=np.unique(datafile_train.loc[:,'taxonomy_id']))
def store(prd):
    import pickle
    filename = "inc"
    f = open(filename, 'wb')
    pickle.dump(prd, f)
    f.close()
store(prd)
def train_data():
    import pickle
    f = open('inc', 'rb')
    classifier = pickle.load(f)
    f.close()
    return classifier
 clfp=train_data()

现在我正在使用 clfp 训练模型进行下一个partial_fit

X_train_hashing1=hashing.transform(datafile_train1.loc[:,'description'])
prd1=clfp.partial_fit(X_train_hashing1, datafile_train1.loc[:,'taxonomy_id'])
def store(prd1):
    import pickle
    timestr = time.strftime("%Y%m%d-%H%M%S")
    filename = "Train-" + timestr +".pickle"
    f = open(filename, 'wb')
    pickle.dump(prd1, f)
    f.close()
store(prd1) 

在此编辑中，它没有给出任何错误，但两个 pickle 文件的大小相同 25.2 MB，但第二个 pickle 大小应该大于第一个 pickle 大小，因为我正在新数据上使用第一个训练模型

Answer 1

我认为保存的模型大小不应增加太多，甚至根本不应该增加。

模型不会存储发送到 partial_fit() 的全部新数据，仅根据该数据更新其属性。这些属性一旦根据其类型(float32、float64 等)分配了一些存储空间，无论其值如何，都将占用这么多空间。

SGDClassifier 中将发生变化的显着属性是:-

coef_ : array, shape (1, n_features) if n_classes == 2 else (n_classes, n_features) Weights assigned to the features.

intercept_ : array, shape (1,) if n_classes == 2 else (n_classes,) Constants in decision function.

因此，当您初始化模型时，它们要么未分配，要么全部初始化为 0。将第一个数据传递给 partial_fit() 后，这些值将根据尝试最小化的数据进行更新预测的损失。

当您传递新数据时，这些值会再次更新，但它们仍然占用与其类型指定的相同存储空间(float32、float64 等)。

这就是保存的模型尺寸没有改变的原因。