Neden LatentDirichletAllocation öğesinin fit ve parsiyel kısmı farklı sonuçlar döndürüyor? Garip nedir

Question

o oturması için ve partial_fit için tam olarak aynı kod gibi görünüyor olmasıdır.

şu bağlantıda kodunu görebilirsiniz

:

https://github.com/scikit-learn/scikit-learn/blob/c957249/sklearn/decomposition/online_lda.py#L478

Answer 1

tam

değil aynı kod; partial_fittotal_samples kullanır:

" total_samples. Int., Isteğe bağlı (varsayılan = 1E6) belgeleri toplam sayısı sadece partial_fit yönteminde kullanılan" partial_fit iyi bir aday olduğunu kullanılacak her sizin veri kümesi: https://github.com/scikit-learn/scikit-learn/blob/c957249/sklearn/decomposition/online_lda.py#L472

(uyum) https://github.com/scikit-learn/scikit-learn/blob/c957249/sklearn/decomposition/online_lda.py#L510 sizin ilgi olduğunu Ne olur ne

https://github.com/scikit-learn/scikit-learn/blob/c957249/sklearn/decomposition/online_lda.py#L184

(kısmi uyum) gerçekten çok büyük. Yani, bunun yerine artırımlı öğrenme denir daha küçük bölümler halinde uydurma gerçekleştirmek mümkün bellek sorunlarla çalışan. total_samples ön tanımlı olacak değeri 1000000.0 olduğunu

Yani, sizin durumda dikkate almalıdır. Bu numarayı değiştirmek ve yok nedenle, örneklerin gerçek sayısı fit yöntemi ve fit_partial farklı sonuçlar alırsınız sonra büyük. Ya da belki sen fit_partial mini kümeleri kullanmak ve sen fit yönteme sağlayan tüm numunelerin kapsayan değildir çantası olabilir. Bu doğru yapmak bile belgelerinde belirtildiği gibi, ayrıca, farklı sonuçlar alabilir.

• "artırımlı öğrenen kendisi yeni/görünmeyen hedefler sınıflar ile baş edemeyebilir Mecbur Bu durumda sınıfları = parametresini kullanarak ilk partial_fit çağrı için mümkün olan tüm sınıfları geçmektedir."
• "[...] uygun bir algoritma seçerek hepsini zaman içinde her örnekte aynı önem koymak kalmamasıdır [...]"

sklearn belgeleri: http://scikit-learn.org/stable/modules/scaling_strategies.html#incremental-learning