更新SVM分类用新的数据

Question

我训练使用

clf = sklearn.svm.NuSVC(nu=0.05, probability=True, kernel='rbf') 
clf.fit(points, classes) 

Python中的SVM分类并且对于预测的伟大工程。 现在我想更新分类器参数。 很少的分数会改变分类（从正数到零），并添加一些分数。很少意味着10000或更多的50。

我认为这将是聪明的，但提示SVM分类器开始在以前的参数，这应该是非常接近最佳解决方案。我有问题，有时候，分类器是随机很差的（我认为是不合适的）。 有没有办法在scikit-learn或libsvm中这样做？

Answer 1

看来sklearn.linear_model.SGDClassifier与partial_fit方法可以实现随机梯度下降的在线学习效果。但内核必须是线性的。据我所知，scikit或libsvm不支持rbf内核在线学习。

Answer 2

NuSVC不提供增量/在线学习。为了在scikit-learn中做到这一点，你需要SGDClassifier。这符合线性模型，但您可以使用kernel_approximations模块获得RBF内核的近似值（另请参阅its author's blog）。

如果您想要一个真正的在线内核学习者，请查看LASVM。