python LinearRegression进行实时预测

Question

我收到了来自许多捕获器的数据，我想用线性回归实时预测电子故障(我想在我的模型中添加新的值)

我有一个小例子：

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
#dataset
#X : Date in millisecond; temperature degree; humidity %
#y : 0= no problem; 1 = electronic failure
X=[[969695100000,15,10],[969788280000,30,50],[975042120000,20,3]]
y=[0,1,0]
model = LinearRegression()
model.fit(X, y)


# Prediction
Xnew, _ = make_regression(n_samples=3, n_features=3, noise=0.1, random_state=1)
ynew = model.predict(Xnew)
for i in range(len(Xnew)):
    print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

我有真实的数据X:日期；温度和湿度和y，0 =>没有问题，1传感器发生故障我每天都有新的数据，我想每天更新我的模型。

我的目标是利用这些数据来预测明天的传感器故障。

我的问题是:如何向我的模型添加数据？

Answer 1

我找到了实时更新模型的解决方案，我使用partial_fit，我像这样更新了我的代码：

import numpy as np
from sklearn import linear_model
from sklearn.datasets import make_regression

n_samples, n_features = 10, 5

X=[[969695100000,15,10],[969788280000,30,50],[975042120000,20,3]]
y=[0,1,0]
model = linear_model.SGDRegressor()
for i in range(0,1000):
    model.partial_fit(X, y)

Xnew, _ = make_regression(n_samples=3, n_features=3, noise=0.1, random_state=1)
ynew = model.predict(X)
for i in range(len(Xnew)):
    print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

我还有最后一个问题，可以只用日期来预测y值？实际上，对于明天的预测，我需要所有的X数据，可以预测:没有温度和湿度的X=975042120100，仅以毫秒为单位的日期？