使用 Mahout 进行逻辑回归

Question

我刚刚阅读了this 关于使用 Mahout 进行逻辑回归的有趣文章。该教程对我来说很清楚......但是真正的用例会是什么样子？例如，当一个 [web] 应用程序第一次启动时，需要处理一些训练数据......并且结果保存在一个 OnlineLogisticRegression 实例中。然后，要测试新数据，只需调用 OnlineLogisticRegression.classifyFull 并查看数据属于给定分类的概率（由 0 到 1 之间的值表示）。

但是，如果我想在 [web] 应用程序在线时改进模型并使用额外数据对其进行训练怎么办？我们的想法是每周使用一次或类似的额外数据训练模型，以提高准确性。实施这种机制的正确方法是什么？是否存在重大的性能问题？

Answer 1

不知道你的用例是什么，但我已经实现如下。 我使用了朴素贝叶斯。使用我的在线模型的电流。 现在，在 15 天后，我过去常常将新的训练数据添加到以前的训练数据中并生成一个新模型。创建新模型后，cron 将其替换为在线模型。