我认为你能得到的最接近的是warm_start参数或partial_fit调用。它们在某些模型中可用，允许您多次训练模型而不会失去进度。

来自 sklearn 文档：

warm_start : bool，可选，默认 False

当设置为 True 时，重用之前调用的解决方案作为初始化，否则，只需擦除之前的解决方案。

和：

partial_fit(X, y, classes=None, sample_weight=None)[来源]

对给定样本执行一个时期的随机梯度下降。

在内部，此方法使用 max_iter = 1。因此，不能保证调用一次后达到成本函数的最小值。客观收敛、提前停止等事项应由用户自行处理。

使用哪一个取决于您使用的模型以及何时创建检查点。但是，例如，如果您使用 a RandomForestClassifierwhich haswarm_start您可以执行以下操作：

# set warm_start so model to avoid erasing model between fits
clf = RandomForestClassifier(warm_start=True)
number_of_checkpoints = 10

for checkpoint in range(number_of_checkpoints):

    # Load only a subset of the data and train on it
    X, y = load_data_batch(batches=number_of_checkpoints, current_batch=checkpoint)
    clf.fit(X, y)

    # Save model checkpoint for each fit
    with open('path/to/models/random_forest_ckp_{}.p'.format(checkpoint), 'wb') as f:
        pickle.dump(clf, f)