在分类中的scikit学习改装/部分适合选项

Question

我想知道是否有任何sklearn分类器的选项，以适应使用一些超参数，并在改变一些超参数后，通过节省计算（适合）成本来改装模型。

让我们说，Logistic回归是适合使用C=1e5（logreg=linear_model.LogisticRegression(C=1e5)），我们仅仅改变C到C=1e3。我想保存一些计算，因为只有一个参数被改变。

Answer 1

是的，有一个叫warm_start技术，它从文件引用，意思是：

warm_start：BOOL，默认：假
当设置为True，重新使用以前的呼叫解决方案以适合初始化，否则， 只是抹去以前的解决方案。无用于线性求解器。

如文档here中所描述的，它在LogisticRegression的可用：

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

所以具体的，你的情况，你会做到以下几点：

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(..) 
# .... 

据我一直能够快速检查，它也可用于以下：

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