partial_fit仅限SGDClassifier、SGDRegressor、PassiveAggressiveClassifier、MultinomialNB、MiniBatchKMeans等明确支持在线学习的模型；首次调用必须传入完整classes（分类器）或预设n_clusters（聚类），且fit与partial_fit互斥。
partial_fit 不是万能接口，它只存在于明确支持在线学习的少数模型中。硬给 RandomForestClassifier 或 SVC 调用 partial_fit，会直接抛出 AttributeError: 'XXX' object has no attribute 'partial_fit' —— 这不是 bug，是设计如此。
哪些模型真正支持 partial_fit？别在不支持的类上浪费调试时间
能安全调用 partial_fit 的模型必须满足两个条件：内部状态可逐步更新、梯度或统计量可按批次累积。当前稳定支持的有：
-
SGDClassifier和SGDRegressor（最常用，适合高维稀疏数据） -
PassiveAggressiveClassifier（对标签噪声鲁棒，适合流式文本分类） -
MultinomialNB（需确保特征非负，且首次调用时传入完整classes） -
MiniBatchKMeans（聚类场景，首次调用前必须设好n_clusters）
注意：LinearRegression 本身不支持，但可用 SGDRegressor(loss='squared_error') 替代；CalibratedClassifierCV 包裹后的模型也不继承 partial_fit —— 必须在校准前就用支持增量的基模型。
partial_fit 第一次调用必须带 classes 或预设结构
这不是可选项，是强制契约。对分类器（如 SGDClassifier），首次调用 partial_fit(X_batch, y_batch, classes=...) 时，classes 必须覆盖全部可能类别，不能只传当前批次的标签。常见错误是写成 classes=np.unique(y_batch)，结果后续遇到新类别就报错。
立即学习“Python免费学习笔记（深入）”；
正确做法是：在训练开始前，从全量标签中抽样或扫描一次获取完整类别集，例如：
all_classes = np.array(['spam', 'ham', 'promotional']) # 静态已知 # 或 all_classes = np.unique(y_full_dataset) # 全量扫描（仅一次） clf = SGDClassifier() clf.partial_fit(X_first_batch, y_first_batch, classes=all_classes)
MiniBatchKMeans 和 SGDRegressor 不需要 classes，但前者要求初始化时指定 n_clusters，后者要求 fit_intercept 等参数在构造时定死，之后无法更改。
批次大小不是越大越好，1000–10000 条/批只是起点
批次太小（比如每次只喂 1 条），梯度噪声大，loss 波动剧烈，模型难收敛；批次太大（接近全量），内存压力回升，且容易让模型过早适应早期数据分布，失去对后续漂移的适应力。
实际选值要看数据特性：
- 文本特征（稀疏、100–1000 维）：5000 条/批通常比 50 条更稳
- 图像嵌入（稠密、>10k 维）：压到 200–500 条/批，避免梯度方差爆炸
- 时序数据：禁止用
df.sample()打乱顺序，必须保持原始时序流；若需随机性，应在分批前全局 shuffle 一次
监控信号很关键：每批后跑一次 clf.score(X_val, y_val)，如果连续 5 批验证分下降，优先调小批次或降低 learning_rate（默认 'invscaling' 可能衰减过慢）。
中断后恢复训练，不能只靠 pickle.dump
partial_fit 是有状态的：比如 SGDClassifier 内部记录了训练步数 t_、当前损失函数 loss_function_、以及系数更新的累计量。单纯用 pickle 保存对象，重启后这些计数器可能重置，导致学习率计算错乱或收敛异常。
稳妥做法是：
- 用
joblib.dump(clf, 'model.joblib')（比 pickle 更可靠，尤其对 numpy 数组） - 额外保存关键元状态，如
clf.t_、clf.classes_、clf.n_features_in_，恢复时手动校验 - 对文本向量化环节，若用
CountVectorizer，必须在首次partial_fit前先fit完整语料，否则新词无法映射；更推荐用无状态的HashingVectorizer，避免特征维度膨胀失控
最易被忽略的一点：一旦你对某个模型调用了 fit，它就永远失去了调用 partial_fit 的资格；反之亦然。这个选择在第一行训练代码就锁死了，没法回退。
