在分類中的scikit學習改裝/部分適合選項

Question

我想知道是否有任何sklearn分類器的選項，以適應使用一些超參數，並在改變一些超參數後，通過節省計算（適合）成本來改裝模型。

讓我們說，Logistic迴歸是適合使用C=1e5（logreg=linear_model.LogisticRegression(C=1e5)），我們僅僅改變C到C=1e3。我想保存一些計算，因爲只有一個參數被改變。

Answer 1

是的，有一個叫warm_start技術，它從文件引用，意思是：

warm_start：BOOL，默認：假
當設置爲True，重新使用以前的呼叫解決方案以適合初始化，否則， 只是抹去以前的解決方案。無用於線性求解器。

如文檔here中所描述的，它在LogisticRegression的可用：

sklearn.linear_model.LogisticRegression(..., warm_start=False, n_jobs=1) 

所以具體的，你的情況，你會做到以下幾點：

from sklearn.linear_model import LogisticRegression 

# create an instance of LogisticRegression with warm_start=True 
logreg= LogisticRegression(C=1e5, warm_start=True) 
# you can access the C parameter's value as follows 
logreg.C 
# it's set to 100000.0 

# .... 
# train your model here by calling logreg.fit(..) 
# .... 

# reset the value of the C parameter as follows 
logreg.C = 1e3 

logreg.C 
# now it's set to 1000.0 

# .... 
# re-train your model here by calling logreg.fit(..) 
# .... 

據我一直能夠快速檢查，它也可用於以下：

• sklearn.ensemble.RandomForestClassifier
• sklearn.ensemble.GradientBoostingClassifier
• sklearn.linear_model.PassiveAggressiveClassifier
• sklearn.ensemble.BaggingClassifier
• sklearn.ensemble.ExtraTreesClassifier