如何在Python中使用sklearn训练多次SVM分类器？

Question

我在想是否可以在Python中的for循环内多次训练来自sklearn的SVM分类器。我心目中有如下想法：

for i in range(0,10):
    data = np.load(somedata)
    labels = np.load(somelabels)
    C = SVC()
    C.fit(data, labels)
    joblib.dump(C, 'somefolderpath/Model.pkl')

我希望我的模型能够针对每个数据和他们的标签进行训练。这种方式可行吗，还是我必须将所有数据和标签附加到包含来自我的10个项目的整个数据和标签的两个相应数组中？ 编辑：如果我想为每个主题单独训练一个分类器。那么上面的语法会是什么样子？我的编辑是否正确？ 当我想要加载特定训练过的主题分类器时，我可以这样做：

C = joblib.load('somefolderpath/Model.pkl')
idx = C.predict(data)

?

- azal

---

somedata和somelabels是否取决于i，或者您为什么想要训练多个SVC实例？您是在寻找超参数优化吗？ - Matt

我只想基于来自10个不同人的数据来训练我的模型。问题是是否最好并且可能在每次迭代中这样做，还是将它们全部放在一起并进行处理会更好。 - azal

你有什么样的数据，想要预测什么？这个问题很大程度上取决于给定的情境。 - Matt

嵌入向量和我想执行监督谱聚类。 - azal

我想做的事情是可以完成的。 - azal

Answer 1

在任何scikit-learn估计器上调用fit将忘记所有先前看到的数据。因此，如果您想使用所有数据（所有十个患者）进行预测，首先需要进行连接。 特别地，如果每个somelabels仅包含一个标签，则代码没有意义，甚至可能会出错，因为只有一个类存在。

- Andreas Mueller

---

每个数据和标签都是包含数据和标签的相应数组的列表。你会建议做什么？ - azal

标签是什么？正如Matt在上面所说的，这取决于你想做什么。你想跨患者学习吗？ - Andreas Mueller

是的，我做。标签包含零、一等数组，其大小与数据列表中每个患者的项目大小相同。例如， - azal

是的，我做。标签包含零、一等数组，其大小与数据列表中每个患者的项目大小相同。例如，len(data1)=10，则len(labels)=10，data[0]对应于labels[0]，data[1]对应于labels[1]等。问题在于，对于每个数据，其相应的data{i}对于每个患者具有相同的labels{i}。 - azal

我不知道你最后一句话的意思。听起来像是你想要连接数据。你必须学会跨患者学习。 - Andreas Mueller

好的，我使用extend()函数将数据和标签分别加入到两个大列表中。 - azal