我正在开发一个脚本，用于检测来自生物源的信号数据的峰值。我想创建一个半自动模型来帮助预测哪些峰是正确的。随着用户手动选择其中一些峰值来帮助教模型哪些是正确的，该脚本得到了改进。
我想要达到的工作流程是这样的： 1.用户手动选择数据 2. 脚本获取正确的数据并将其拟合到模型中 3. 使用模型预测给定峰正确的可能性。 4. 希望有足够的数据和培训，它可以自动运行其余部分。
我也不知道一般主题的名称，我正在努力寻找谷歌的内容。
我已尝试将其拟合到 scikit learn 中的线性回归模型，但我没有足够的数据集（因为它从用户的第一次干预中学习）。我正在做的事情可能吗？
【问题讨论】：
标签： python scikit-learn
很抱歉这个答案的笼统性，但 OP 要求提供一般性主题。
听起来semi-supervised learning 和here for scikit-learn 和here for more details 可能有效。
没有要开始的标记数据。开始手动过程以获取一些标记数据。很快，半监督就可以开始并接管——通过一个过程来衡量其准确性。适合您的情况，是一个很好的起点。
最终，您可能拥有“足够”正确标记的数据，您可以研究拟合经典算法来预测余数。 “足够”与问题的难度有关。可能是数十、数百、数千……
根据您情况的其他详细信息，Reinforcement learning 可能有效。正如您所描述的情况，这可能行不通，但您的环境中可能还有其他细节可以利用这个系列。
警告 - 特别是机器学习和半监督学习可能并不总是对所有问题都有效。测量，测量，测量。
【讨论】：
感谢大家的帮助。我正在和一位同事交谈，他将我推荐给Online Machine Learning。我想这就是我要找的那个。虽然我不会处理时间序列数据或来自在线的流式数据，但我认为该方法足以满足我的需求。这种方法允许一个一个地训练数据，而不是批量训练。我认为 SciKit Learn 目前不具备开箱即用的在线机器学习能力。
This 我认为对在线机器学习的优势进行了很好的总结（还展示了 creme python 库）。
再次感谢！
【讨论】：