我有一个非常大的数据集,无法加载到内存中。
我想将此数据集用作scikit-learn分类器的训练集 - 例如LogisticRegression
。
是否可以在我提供迷你批次的地方对scikit-learn分类器进行迷你批量训练?
我相信sklearn
中的一些分类器具有partial_fit
方法。此方法允许您将小批量数据传递到分类器,以便为每个小批量执行梯度下降步骤。您只需从磁盘加载一个小批量,将其传递给partial_fit
,从内存中释放小批量,然后重复。
如果您对逻辑回归执行此操作特别感兴趣,则需要使用 SGDClassifier
,它可以设置为在loss = 'log'
时使用逻辑回归。
您只需将小批量的功能和标签传递给partial_fit
,就像使用fit
一样:
clf.partial_fit(X_minibatch, y_minibatch)
更新:
我最近遇到了dask-ml
库,通过将dask
数组与partial_fit
相结合,可以使这项任务变得非常容易。链接的网页上有一个例子。
查看sklearn
文档中包含的扩展策略:http://scikit-learn.org/stable/modules/scaling_strategies.html
这里提供了一个很好的例子:http://scikit-learn.org/stable/auto_examples/applications/plot_out_of_core_classification.html