scikit-learn中无法支持partial_fit()的模型包括RandomForestClassifier、SVC、KMeans（非MiniBatch版）、LogisticRegression，因其算法结构决定无法递推更新；使用partial_fit()需首次调用即指定classes或固定维度，且仅原生支持该接口的模型才能真正实现增量学习。
因为在线学习不是所有模型的天然能力，而是需要算法层面专门设计的状态更新机制——scikit-learn 只把 partial_fit() 接口给了那些数学上可分解、参数可递推更新的少数模型。
哪些模型根本没法支持 partial_fit()？
不是“还没实现”，是算法结构决定了不可能：
-
RandomForestClassifier依赖全局样本重采样和树结构递归分裂，每棵树的节点划分必须基于当前全部数据分布，无法用新批次数据局部修正已有树 -
SVC的解由支持向量决定，而支持向量集会随新数据大幅变动，没有增量维持策略 -
KMeans（非 MiniBatch 版）需反复遍历全部数据计算质心，不满足单次扫描假设；MiniBatchKMeans才是为流式聚类专门重构的版本 -
LogisticRegression使用解析解或 L-BFGS 等批处理优化器，梯度计算强依赖全量 Hessian 近似，无法退化为单步 SGD 更新
partial_fit() 要求首次调用就带全量 classes 或预设维度
这不是建议，是硬性初始化契约。漏掉就会后续全盘失败：
- 对
SGDClassifier，首次调用必须写成clf.partial_fit(X, y, classes=np.unique(y_full))，不能用np.unique(y_batch)—— 否则遇到新类别直接抛ValueError: classes not known -
MultinomialNB同样依赖首次classes初始化内部计数器，否则class_count_维度错位 -
SGDRegressor不要classes，但首次X的列数必须固定；后续任何 batch 列数不一致会报ValueError: X has different shape -
MiniBatchKMeans必须在实例化时就指定n_clusters=5，训练中改这个参数无效，且首次partial_fit()前不设会报错
误用 fit() + joblib.dump 不等于增量学习
很多人以为“先 fit 一次，保存，再加载，接着 fit 新数据”就能延续训练——其实只是反复覆盖：
立即学习“Python免费学习笔记（深入）”；
-
fit()对RandomForestClassifier等模型永远从头建树，joblib.load回来的对象只含最终结构，不含任何中间状态（如分裂阈值缓存、样本索引映射） - 即使对
SGDClassifier，如果先fit()再partial_fit()，内部coef_和intercept_虽然保留，但classes映射表未初始化，首次partial_fit()仍会失败 - 真正能复用历史的，只有原生支持
partial_fit()的模型，且必须从第一个 batch 就开始用它启动
最容易被忽略的一点：在线学习效果高度依赖数据顺序与分布稳定性。哪怕模型接口正确，若新批次持续引入分布漂移（比如用户行为突变、传感器校准偏移），partial_fit() 更新的参数可能快速过时——这时候需要额外加 drift 检测或定期重置，而不是指望接口本身解决。
