线性回归 Model 随着用户选择和训练数据而改进

Question

我正在开发一个脚本来检测来自生物源的信号数据的峰值。 我想创建一个半自动化的 model 来帮助预测哪些峰值是正确的。 该脚本得到改进，因为用户手动选择了其中一些峰值来帮助教导 model 哪些是正确的。

我试图达到的工作流程是这样的： 1. 用户手动选择数据 2. 脚本获取正确的数据并将其放入 model 3. 使用 model 预测给定峰值的可能性是正确的。 4. 希望有足够的数据和训练，它可以自动运行通过 rest。

我也不知道一般主题的名称，我正在努力寻找谷歌的内容。

我尝试将其拟合到 scikit learn 中的线性回归 model 中，但我没有足够的数据集（因为它从用户的第一次干预中学习）。 我正在做的事情可能吗？

Answer 1

很抱歉这个答案的笼统性，但 OP 要求提供一般性主题。

这听起来像是半监督学习， 这里是 scikit-learn和这里更多细节可能有用。

没有标记数据可以开始。 开始手动过程以获取一些标记数据。 很快，半监督就可以开始并接管——通过一个过程来衡量其准确性。 适合您的情况，是一个很好的起点。

最终，您可能拥有“足够”正确标记的数据，您可以研究拟合经典算法来预测余数。 “足够”与问题的难度有关。 可能是几十，几百，几千，...

根据您情况的其他细节，强化学习可能会起作用。 正如您所描述的情况，这可能行不通，但您的环境中可能还有其他细节可以利用这个系列。

警告词——尤其是机器学习和半监督学习可能并不总是对每个问题都有效。 测量，测量，测量。

Answer 2

谢谢大家的帮助。 我正在和一位同事交谈，他将我推荐给在线机器学习。 我想这就是我要找的那个。 虽然我不会处理时间序列数据或来自在线的流式数据，但我认为该方法足以满足我的需求。 这种方法允许一个一个地训练数据，而不是批量训练。 我认为 SciKit Learn 目前不具备开箱即用的在线机器学习能力。

我认为这很好地概括了在线机器学习的优势（还展示了 creme python 库）。

再次感谢！