使用新数据更新 SVM 分类器

Question

我在 Python 中训练了一个 SVM 分类器

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

这对预测非常有效。现在我想更新分类器参数。很少有点会改变分类（从正数到零），并且会添加一些点。很少意味着 10000 或更多的 50。

我认为尽管如此，还是提示 SVM 分类器从前面的参数开始是明智的，这应该非常接近最佳解决方案。我有一个问题，有时分类器随机非常差（我认为拟合失败）。有没有办法在scikit-learn或libsvm中做到这一点？

Answer 1

NuSVC不提供

增量/在线学习。要在scikit-learn中做到这一点，您需要SGDClassifier。这适合线性模型，但您可以使用kernel_approximations模块获得 RBF 内核的近似值（另请参阅其作者的博客）。

如果你想要一个真正的在线内核学习者，请查看 LASVM。