python scikit通过核心学习学习超参数调优

Question

目前我正在使用

clf = SGDClassifier(loss='log', random_state=1, n_iter=1)

为我训练一个预测模型。但是，训练数据非常大，所以我使用的是核心学习。

clf.partial_fit(X_train, y_train, classes=classes)

另外，我想通过例如GridSearchCV(http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html) 实现超参数调整

但似乎GridSearchCV 没有提供partial_fit 方法，因此无法进行核外学习，我必须将整个数据集保存在内存中。有没有办法在仍然使用核外学习的同时进行超参数调整？

Answer 1

我找到了一种使用随机森林进行增量学习的方法，有一个名为 scikit-graden 的库，他们有一个 mondrian 分类器，可以将增量或在线学习添加到随机森林。

查看这个关于蒙德里安森林的博客： https://medium.com/mlrecipies/mondrian-forests-making-random-forests-better-and-efficient-b27814c681e5