如何使用warm_start

  • Z时代
  • 2024-01-10
  • 分类：问答

我想使用warm_start参数将训练数据添加到我的随机森林分类器中。我希望它可以这样使用：

clf = RandomForestClassifier(...)
clf.fit(get_data())
clf.fit(get_more_data(), warm_start=True)

但是该warm_start参数是构造函数参数。那我做这样的事吗？

clf = RandomForestClassifier()
clf.fit(get_data())
clf = RandomForestClassifier (warm_start=True)
clf.fit(get_more_data)

这对我来说毫无意义。对构造函数的新调用是否会丢弃先前的训练数据？我想我缺少了一些东西。

回答：

的基本模式（摘自Miriam的答案）：

clf = RandomForestClassifier(warm_start=True)
clf.fit(get_data())
clf.fit(get_more_data())

将是正确使用API​​的方式。

但是这里有一个问题。

正如文档所说的那样：

设置为True时，重用上一个调用的解决方案以适应并向集合添加更多估计量，否则，仅适应一个全新的森林。

这意味着，唯一warm_start可以为您做的就是添加新的DecisionTree。以前所有的树木似乎都没有被破坏过！

让我们通过一些来源进行检查：

  n_more_estimators = self.n_estimators - len(self.estimators_)
    if n_more_estimators < 0:
        raise ValueError('n_estimators=%d must be larger or equal to '
                         'len(estimators_)=%d when warm_start==True'
                         % (self.n_estimators, len(self.estimators_)))
    elif n_more_estimators == 0:
        warn("Warm-start fitting without increasing n_estimators does not "
             "fit new trees.")

这基本上告诉我们，在进行新的拟合之前，您需要增加估计量！

我不知道sklearn在这里有什么样的用途。我不确定，如果合适，增加内部变量并再次合适是否正确使用，但我以某种方式对此表示怀疑（尤其n_estimators是不是公共类变量）。

对于这里的核心学习而言，您的基本方法（关于该库和该分类器）可能不是一个好主意！我不会进一步追求这一点。

以上是 如何使用warm_start 的全部内容， 来源链接： utcz.com/qa/399333.html

回到顶部