sklearn中的SVM是否支持增量（在线）学习？
我目前正在设计文本文章的推荐系统（“有趣”或“不有趣”的二进制情况）。我的规范之一是它应该不断更新以适应不断变化的趋势。
据我所知，最好的方法是利用支持增量/在线学习的机器学习算法。
Perceptron和Winnow之类的算法支持在线学习，但是我对支持向量机并不完全确定。scikit-learn
python库是否支持在线学习，如果支持，支持向量机是可以利用它的算法之一吗？
我显然并不完全依赖于使用支持向量机，但是由于它们的全面性能，它们通常是二进制分类算法。最后，我愿意改变为最合适的方式。
问题答案：
尽管确实存在用于SVM的在线算法，但是指定要内核还是线性SVM变得很重要，因为针对线性SVM的特殊情况已经开发了许多有效的算法。
对于线性情况，如果您在scikit-learn中将SGD分类器与铰链损耗和L2正则化配合使用，您将获得一个可以在线/增量更新的SVM。您可以将其与近似于内核的特征转换结合使用，以类似于在线内核SVM。
我的规范之一是它应该不断更新以适应不断变化的趋势。
这被称为 概念漂移，
不能通过简单的在线SVM很好地处理。使用PassiveAggresive分类器可能会给您带来更好的结果，因为它的学习率不会随着时间而降低。
假设您在训练/跑步时获得了反馈，则可以尝试检测准确性随时间的降低，并在准确性开始下降时开始训练新模型（并在您认为新模型变得更准确时切换到新模型）。JSAT有2种漂移检测方法（请参阅jsat.driftdetectors），可用于跟踪准确性并在准确性发生变化时向您发出警报。
它还具有更多在线线性和核方法。
（偏见：我是JSAT的作者）。
-
支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。
-
问题内容： 一个人如何使用Maven支持增量构建？那里有指南吗？（Google的最佳搜索结果令人失望） 问题答案： Maven默认情况下以增量方式生成，但是事实证明，编译器插件（即javac的核心）是如此之快，以至于每次构建新代码都不会成为代码库大小合理的瓶颈，而不是与构造大型程序集或运行大型测试进行比较套房。（与大多数语言一样，Java的编译速度比C ++快得多。）
-
综述 “看二更云，三更月，四更天。” 本文采用编译器：jupyter 给定训练样本集D，分类学习最基本的想法就是基于训练集D的样本空间中找到一个划分超平面，将不同类别的样本分开。但能将训练样本分开但划分超平面可能有很多，如图。 存在多个划分超平面将两类训练样本分开 直观上看，应该去找位于两类训练样本"正中间"的划分超平面，即图中粗线的那个，因为该划分超平面对训练样本局部扰动的"容忍性"最好。
-
我正在用支持向量回归预测股票价格。我已经训练了一些价值，但当我预测的价值，每次我都必须训练的基础上（在线学习）。因此，我已经传递了这些值，以便在预测后在循环中进行训练。 那么，当我每次调用fit函数时，svr训练是如何基于一个输入在内部工作的呢？
-
@subpage tutorial_py_svm_basics_cn 了解 SVM 的基本知识。 @subpage tutorial_py_svm_opencv_cn 学习使用 OpenCV 中的 SVM 功能。
-
参考资料：http://www.cppblog.com/sunrise/archive/2012/08/06/186474.html http://blog.csdn.net/sunanger_wang/article/details/7887218 我的数据挖掘算法代码：https://github.com/linyiqun/DataMiningAlg