我觉得可以保留一定量的旧数据去，跟新数据一块训练。举个例子，在alphago系列里，
为了让网络收敛更好，用的经验回放，experience replay

【 在 toxyz (toxyz) 的大作中提到: 】
: 小弟刚学机器学习
: 搭了网络，用了很多数据进行训练，在实际测试过程中，检测事件，中间有很多误报的
原始数据，这部分误报的原始数据怎么在原有的模型参数基础上进行训练?  原来的数据
集太大，不想从头开始训练，耗时太长，又怕根据误报数据重新构造的小的训练集明显影
响原来的参数。
: 这种情况怎么整呢？只训练顶层，还是有其他的好方法?
: ...................
--
FROM 1.90.254.*

倒不是误报影响，现在就是实时测试过程中，正样本发生的几率非常小，抓的不多，而24小时可能会发生很多我们之前数据里面没有的，有些导致误报。所以抓的数据里误报的多，正样本少。实际上自己去测试，正确率还是蛮高的。
【 在 zszqzzzf 的大作中提到: 】
:  
: 先取一个小的数据集进行训练，而不是一开始就用全集。
: 如果误报的数据就能影响到你的模型，那么这个模型比较脆弱。
: ...................
--来自微水木3.5.1
--
FROM 117.136.24.*

想拿这部分去反馈网络，修正参数；原来的数据集没有这部分数据
【 在 FUTURE0349 的大作中提到: 】
: 误报的数据为啥不剔除？
: 【 在 toxyz 的大作中提到: 】
: : 小弟刚学机器学习
: ...................
--来自微水木3.5.1
--
FROM 117.136.24.*

误报数据，本就不应该作为训练数据的，更不应该作为反馈修正用吧？
【 在 toxyz 的大作中提到: 】
: 就是把这个误报的数据标记完放倒到数据集里，但是又不想再用整个数据集训练，只取一部分
--
FROM 123.57.27.*