線性回歸 Model 隨着用戶選擇和訓練數據而改進

Question

我正在開發一個腳本來檢測來自生物源的信號數據的峰值。 我想創建一個半自動化的 model 來幫助預測哪些峰值是正確的。 該腳本得到改進，因為用戶手動選擇了其中一些峰值來幫助教導 model 哪些是正確的。

我試圖達到的工作流程是這樣的： 1. 用戶手動選擇數據 2. 腳本獲取正確的數據並將其放入 model 3. 使用 model 預測給定峰值的可能性是正確的。 4. 希望有足夠的數據和訓練，它可以自動運行通過 rest。

我也不知道一般主題的名稱，我正在努力尋找谷歌的內容。

我嘗試將其擬合到 scikit learn 中的線性回歸 model 中，但我沒有足夠的數據集（因為它從用戶的第一次干預中學習）。 我正在做的事情可能嗎？

Answer 1

很抱歉這個答案的籠統性，但 OP 要求提供一般性主題。

這聽起來像是半監督學習， 這里是 scikit-learn和這里更多細節可能有用。

沒有標記數據可以開始。 開始手動過程以獲取一些標記數據。 很快，半監督就可以開始並接管——通過一個過程來衡量其准確性。 適合您的情況，是一個很好的起點。

最終，您可能擁有“足夠”正確標記的數據，您可以研究擬合經典算法來預測余數。 “足夠”與問題的難度有關。 可能是幾十，幾百，幾千，...

根據您情況的其他細節，強化學習可能會起作用。 正如您所描述的情況，這可能行不通，但您的環境中可能還有其他細節可以利用這個系列。

警告詞——尤其是機器學習和半監督學習可能並不總是對每個問題都有效。 測量，測量，測量。

Answer 2

謝謝大家的幫助。 我正在和一位同事交談，他將我推薦給在線機器學習。 我想這就是我要找的那個。 雖然我不會處理時間序列數據或來自在線的流式數據，但我認為該方法足以滿足我的需求。 這種方法允許一個一個地訓練數據，而不是批量訓練。 我認為 SciKit Learn 目前不具備開箱即用的在線機器學習能力。

我認為這很好地概括了在線機器學習的優勢（還展示了 creme python 庫）。

再次感謝！