python - 多次拟合 sklearn 线性回归分类器是添加数据点还是只是替换它们？

Question

X = np.array(df.drop([label], 1))
X_lately = X[-forecast_out:]
X = X[:-forecast_out]
df.dropna(inplace=True)
y = np.array(df[label])

X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2)

linReg.fit(X_train, y_train)

我一直在用来自不同电子表格的数据一遍又一遍地拟合我的线性回归分类器，假设每次我用新电子表格拟合相同的模型时，它都会添加点并使模型更加稳健。

这个假设正确吗？或者我只是在每次安装模型时删除模型？

如果是这样，有没有办法让我多次拟合我的模型以获得这种“累积”类型的效果？

Answer 1

线性回归是一种批量(又名离线)训练方法，您无法通过新模式添加知识。所以，sklearn正在重新拟合整个模型。添加数据的唯一方法是将新模式附加到原始训练 X, Y 矩阵并重新拟合。