这完全取决于您使用的特定算法。其中一些支持增量学习，而另一些则不支持。

例如，在 的情况下scikit-learn，fit()在同一个模型上多次使用只会覆盖模型的权重（更多详细信息请参见此处）。

但是，您可以做的是寻找实现partial_fitapi 的算法，并使用它来重新训练现有模型 - 请参阅文档以获取支持增量学习并因此实现此 api 的算法列表。

另一种解决方案是寻找支持warm_start参数的算法，例如LogisticRegression。请注意，warm_start这也可能会受到其他参数的影响，因此您也需要注意它们的值 - 例如，在 LogisticRegression 的情况下，如果您使用求解器（这是默认设置）warm_start将不起作用。liblinear

我想说这取决于您使用的 ML 框架。我曾在 Scikit 和 Tensorflow 上工作过。

两者都以不同的方式工作。

科学：

1. partial_fit() 是一种方法。如果我们多次调用 partial_fit()，框架将更新现有权重，而不是再次重新初始化它。
2. warm_state 是许多算法提供的另一种方式。例如 RandomForestRegressor()，它将添加新的估计器（新的树），它使用我们传递给它的新数据进行训练。有关更多说明，请参阅Scikit 链接

Tensorflow：考虑一个基本的 TF 代码，如下所述：

import numpy as np
import tensorflow as tf
from sklearn.datasets import fetch_california_housing
from sklearn.preprocessing import StandardScaler
housing = fetch_california_housing()
m, n = housing.data.shape
target = housing.target.reshape(-1,1)
scaler = StandardScaler()
scaled_housing_data = scaler.fit_transform(housing.data)
housing_data_plus_bias = np.c_[np.ones((m, 1)), scaled_housing_data]
n_epochs = 1000
learning_rate = 0.01
X = tf.placeholder(shape = (None, n+1), dtype=tf.float32, name="X")
y = tf.placeholder(shape=(None,1), dtype=tf.float32, name="y")
theta = tf.Variable(tf.random_uniform([n + 1, 1], -1.0, 1.0, seed=42), name="theta")
y_pred = tf.matmul(X, theta, name="predictions")
error = y_pred - y
mse = tf.reduce_mean(tf.square(error), name="mse")
gradients = 2/m * tf.matmul(tf.transpose(X), error)
training_op = tf.assign(theta, theta - learning_rate * gradients)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(n_epochs):
        fn,wights, loss, pred, op = sess.run((error, theta, mse, y_pred,training_op), feed_dict={X:housing_data_plus_bias, y:target})
        print(loss)
    best_theta = theta.eval()
    print(best_theta)

考虑我已经训练并部署了这个模型（作为 tf.saver() 对象）。现在，如果我想预测新值，我必须为我的模型提供新的X 值并识别“y_pred”。. 此过程不会更新我的theta（权重）值（张量图，仅评估其依赖张量），并且预测模型将使用现有的theta。如果我想使用新样本更新theta，我必须评估training_op。

通过这种方式，我们可以在以后使用新数据改进 TF 模型。

注意：training_op，依赖于theta和gradient。

我还不能发表评论。如果您只是加载模型并使用 fit 方法，它将更新权重，而不是重新实例化所有权重。它只会使用新数据执行一些您可以选择的权重更新。