预测结果后如何继续机器学习模型？
我的意思是我为我的 100 万条记录数据集构建了一个模型，这个模型花了大约 1 天的时间来构建。
我使用 Python 提取了模型结果，现在我有了一个（函数），我可以用我的特征来提供它，它给了我一个预测结果
但随着时间的推移，我的数据集变成了 150 万条记录。
我不想从头开始重做整个事情。
有什么方法可以继续我构建的第一个模型（具有 100 万条记录的模型）的顶部，因此与从头开始为 150 万条记录重新构建所有内容相比，新模型根据新的 50 万条记录进行调整所需的时间更少.
PS我要求所有算法，如果无论如何都可以为任何算法做这件事，很高兴知道这些是哪些
这取决于您的模型类型：
Classical using ensemble/stacked models：
如果您使用的是经典机器学习，您可以使用建立在之前 100 万条记录上的旧模型，并在最近的 500k 记录上创建一个新模型，然后将预测组合到一个集成或堆叠中方法。
集成和堆叠的参考：
https ://machinelearningmastery.com/stacking-ensemble-machine-learning-with-python/
视频参考：https ://www.youtube.com/watch?v=Un9zObFjBH0
使用迁移学习的 AI/NN：
如果您使用的是 NN（神经网络）模型，则可以使用迁移学习的思想。保存基于前 100 万条记录构建的模型，然后将其作为初始层添加到新的 NN 以分析新数据。然后，您可以保存新的 NN 并在下一轮中使用它。
参考：https ://machinelearningmastery.com/transfer-learning-for-deep-learning/
视频参考：https ://www.youtube.com/watch?v=yofjFQddwHE
一般准则：
如果您需要多次执行此更新过程，您可以在 n 条记录上创建一个新模型，一旦新数据集达到最小值就删除最旧的数据/模型，并仅预测最后 x 个楷模。n 和 x 根据您的数据、灵活性和实时预测需求进行调整。如果数据随时间变化，那么最好只使用最新的数据，或者将旧数据的权重降低，新的数据权重更高。
这是迁移学习的一个很好的定义：“迁移学习是一种机器学习方法，其中为任务开发的模型被重用作为第二个任务的模型的起点。”