参考：
对于examples、features（或者两者）数量很大的情况，挑战传统的方法要解决两个问题：内存和效率。办法是Out-of-core (or “external memory”) learning。有三种方法可以实现out-of-core，分别是：
1、Streaming instances（流体化实例）：
简单说就是，instances是一个一个来的。具体实现不在scikit-learn文档范围。
2、Extracting features：
简单说就是利用differentfeature extractionmethods（翻译之后的文章：）实现大数据提取有用数据，简化内存、提高效率。不细讲。
3、Incremental learning：
all estimators implementing thepartial_fitAPI are candidates。
the ability to learn incrementally from a mini-batch of instances (sometimes called “online learning”) is key to out-of-core learning as it guarantees that at any given time there will be only a small amount of instances in the main memory。
所有实现partial_fitAPI 的estimators都可以实现增量学习，包括：
ClassificationRegressionClusteringDecomposition / feature Extraction
注意：对于分类问题，由于incremental learner可能不知道所有的classes有哪些，，所以第一次调用partial_fit时，最好人工设定参数classes=，指明所有类别。
4、Examples：
a example ofOut-of-core classification of text documents. 通过例子可以更好理解上面的内容。
版权声明：本文为博主原创文章，未经博主允许不得转载。
幸运并非没有恐惧和烦恼;厄运并非没有安慰与希望。
