sklearn的partial_fit不能直接喂原始流式数据，因其要求每次输入X、y必须与首次调用时的特征维度或类别空间严格一致：分类器需预设完整classes，回归器需固定n_features_in_；特征预处理器如StandardScaler支持真正增量更新，而OneHotEncoder和TfidfVectorizer仅能扩展类别或IDF计数，词表和输出维度仍受首次fit锁定，故须预先枚举类别、校验批次维度、对新类别触发冷启动。
sklearn 的 partial_fit 为什么不能直接喂原始流式数据？
因为 partial_fit 要求每次调用时，输入的 X 和 y 必须满足模型初始化时设定的类别集合（对分类器）或特征维度（对回归器）。比如 SGDClassifier 第一次调用 partial_fit(X, y, classes=[...]) 时传入的 classes 会固化为全量类别空间——后续批次若出现新类别，不重设 classes 就会报 ValueError: classes not known；而 StandardScaler 的 partial_fit 虽支持动态更新均值/方差，但要求每批 X 列数必须和首次一致。
如何安全地做流式批次训练？关键三步
核心不是“能不能调 partial_fit”，而是“怎么组织数据+怎么维护状态”。典型漏掉的环节是类别/标签空间预估和特征一致性校验：
- 第一次调用前，必须用有代表性的初始样本（哪怕只有几百条）调用
partial_fit并显式传入完整classes（分类）或确认n_features_in_（回归），否则后续无法扩展 - 每批新数据进来，先做
np.array(X_batch).shape[1]校验是否等于模型的n_features_in_，不等就报错或丢弃——别指望自动对齐 - 如果业务上确实会出现全新类别（如新用户、新商品 ID），得在检测到时触发“冷启动”：保存当前模型，新建一个带扩展
classes的实例，用历史+新类样本重新初始化再继续partial_fit
SGDClassifier 和 PassiveAggressiveClassifier 的实际差异在哪？
两者都支持 partial_fit，但更新逻辑不同，直接影响流式场景下的鲁棒性：
-
SGDClassifier每次按学习率缩放梯度更新权重，适合稳定分布的数据；但如果某批样本噪声大或分布突变（如活动期间点击率飙升），容易过拟合这批噪声 -
PassiveAggressiveClassifier只在当前样本被误分时才更新，且更新量刚好让该样本被正确分类（即“被动”不更新，“激进”只纠错），对突发噪声更耐受，适合广告点击、风控等误判代价高的流式场景 - 参数上注意：
SGDClassifier(loss='log_loss')才能输出概率（predict_proba），而PassiveAggressiveClassifier默认不支持概率，得套CalibratedClassifierCV——但后者不支持partial_fit，所以只能定期离线校准
特征工程部分怎么和 partial_fit 配合？
不能把 StandardScaler 或 OneHotEncoder 当成黑盒直接链式调用。它们各自的 partial_fit 行为差异很大：
立即学习“Python免费学习笔记（深入）”；
-
StandardScaler的partial_fit真正增量：内部维护self.n_samples_seen_、self.mean_、self.var_，数学上等价于全量计算，可放心用于数值特征归一化 -
OneHotEncoder的partial_fit**只收集新出现的 category 值**，但不会自动扩展输出维度——你得在首次调用后固定categories_，之后新类别进来会直接报错；稳妥做法是预先用业务知识枚举所有可能 category，或改用OrdinalEncoder+ 自定义映射表手动管理 - 文本类特征（如 TF-IDF）基本没法真正增量：虽然
TfidfVectorizer有partial_fit，但它只更新 IDF 分母计数，词表（vocabulary）仍是首次fit冻结的。真要支持新词，只能定期重训向量器
流式训练最常卡住的地方不在模型本身，而在特征维度漂移和类别空间失控——这两个问题不会抛出明显的 Exception，而是静默导致预测性能缓慢下降。上线前务必用模拟 drift 的测试数据跑 24 小时压力验证。
