Sklearn SGDClassifier部分拟合

Question

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 ：

from sklearn.linear_model import SGDClassifier

def batches(l, n):
    for i in xrange(0, len(l), n):
        yield l[i:i+n]

clf1 = SGDClassifier(shuffle=True, loss='log')
clf1.fit(X, Y)

clf2 = SGDClassifier(shuffle=True, loss='log')
n_iter = 60
for n in range(n_iter):
    for batch in batches(range(len(X)), 10000):
        clf2.partial_fit(X[batch[0]:batch[-1]+1], Y[batch[0]:batch[-1]+1], classes=numpy.unique(Y))

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？

Answer 1

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))