我终于找到了答案。您需要在每次迭代之间重新整理训练数据 ,因为在实例化模型时设置shuffle = True不会在使用partial_fit时重新整理数据(仅适用于fit )。注意:在sklearn.linear_model.SGDClassifier页面上找到此信息将很有帮助 。
修改后的代码如下:
from sklearn.linear_model import SGDClassifier
import random
clf2 = SGDClassifier(loss='log') # shuffle=True is useless here
shuffledRange = range(len(X))
n_iter = 5
for n in range(n_iter):
random.shuffle(shuffledRange)
shuffledX = [X[i] for i in shuffledRange]
shuffledY = [Y[i] for i in shuffledRange]
for batch in batches(range(len(shuffledX)), 10000):
clf2.partial_fit(shuffledX[batch[0]:batch[-1]+1], shuffledY[batch[0]:batch[-1]+1], classes=numpy.unique(Y))
0
我正在尝试使用SGD对大型数据集进行分类。由于数据太大而无法放入内存,因此我想使用partial_fit方法来训练分类器。我选择了适合内存的数据集样本(100,000行)来测试fit与partial_fit :
然后,我使用相同的测试集测试两个分类器。在第一种情况下,我的准确度为100%。据我了解,默认情况下,SGD在训练数据上传递5次(n_iter = 5)。
在第二种情况下,我必须对数据传递60次才能达到相同的精度。
为什么会有这种差异(5比60)?还是我做错了什么?