如何在Scikit SGDClassifier上使用partial_fit增加迭代次数以优化每一步的成本函数？

问题描述

在Scikit SGDClassifier上使用partial_fit时，成本函数收敛的迭代次数等于1，如描述中所述：

在给定的样本上执行一个随机梯度下降的时期。
在内部，此方法使用max_iter =1。因此，不能保证在一次调用之后就达到了cost函数的最小值。诸如目标收敛和提前停止之类的问题应由用户处理。

如何增加max_iter，以使成本函数得到适当优化，而不仅仅是一次迭代？或与scikit-描述有关，如何使用partial_fit处理分类器的“目标收敛”和“尽早停止”？

解决方法

您可以简单地使用fit()方法而不是partial_fit()方法，并通过为SGDClassifier提供想要的迭代次数提供整数值来增加max_iter。默认值为1000次迭代。

使用max_iter参数查看文档：{​​{3}}

,

仅使用相同的数据一次又一次地执行partial_fit()命令，例如与实际批次。这是我的代码片段，在这里我只是围绕partial_fit()命令编写了一个循环：

for i_iter in np.arange(iterPerBatch):
       clf.partial_fit(X_batch,y_batch,classes=[0,1])

变量iterPerBatch定义了迭代次数。