是否多次擬合sklearn線性回歸分類器添加數據點或只是替換它們？

Question

X = np.array(df.drop([label], 1))
X_lately = X[-forecast_out:]
X = X[:-forecast_out]
df.dropna(inplace=True)
y = np.array(df[label])

X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2)

linReg.fit(X_train, y_train)

我一直在使用來自不同電子表格的數據來反復擬合我的線性回歸分類器，假設每次我使用新的電子表格擬合相同的模型時，它都會添加點並使模型更加健壯。

這個假設是否正確？ 或者我只是在每次適合時擦拭模型？

如果是這樣，我有沒有辦法讓我的模型多次適應這種“累積”類型效果？

Answer 1

線性回歸是一種批處理（又稱離線）訓練方法，您無法使用新模式添加知識。 因此，sklearn正在重新擬合整個模型。 添加數據的唯一方法是將新模式附加到原始訓練X, Y矩陣並重新擬合。

Answer 2

你幾乎肯定會從頭開始擦拭模式。 要執行您想要的操作，您需要將附加數據附加到數據框的底部並使用它重新擬合。