scikit-learn：6. Strategies to scale computationally: bigger data

參考：http://scikit-learn.org/stable/modules/scaling_strategies.html

对于examples、features（或者两者）数量非常大的情况，挑战传统的方法要解决两个问题：内存和效率。办法是Out-of-core (or “external memory”) learning。

有三种方法能够实现out-of-core。各自是：

1、Streaming instances（流体化实例）：

简单说就是。instances是一个一个来的。详细实现不在scikit-learn文档范围。

2、Extracting features：

简单说就是利用different feature
extraction methods（翻译之后的文章：http://blog.csdn.net/mmc2015/article/details/46992105）实现大数据提取实用数据。简化内存、提高效率。不细讲。

3、Incremental
learning：

all
estimators implementing the partial_fit API
are candidates。

the
ability to learn incrementally from a mini-batch of instances (sometimes called “online learning”) is key to out-of-core learning as it guarantees that at any given time there will be only a small amount of instances in the main memory。

全部实现 partial_fit API
的estimators都能够实现增量学习，包含：

• Classification

  • sklearn.naive_bayes.MultinomialNB
  • sklearn.naive_bayes.BernoulliNB
  • sklearn.linear_model.Perceptron
  • sklearn.linear_model.SGDClassifier
  • sklearn.linear_model.PassiveAggressiveClassifier

• Regression

  • sklearn.linear_model.SGDRegressor
  • sklearn.linear_model.PassiveAggressiveRegressor

• Clustering

  • sklearn.cluster.MiniBatchKMeans

• Decomposition / feature Extraction

  • sklearn.decomposition.MiniBatchDictionaryLearning
  • sklearn.decomposition.IncrementalPCA
  • sklearn.cluster.MiniBatchKMeans

注意：对于分类问题，因为incremental
learner可能不知道全部的classes有哪些，所以第一次调用partial_fit时，最好人工设定參数 classes= ，指明全部类别。

4、Examples：

a
example of Out-of-core
classification of text documents. 通过样例能够更好理解上面的内容。