updateMetricsAndFit
描述
例子
计算性能指标和监控概念漂移
创建随机概念和概念漂移数据生成器使用辅助函数,HelperSineGenerator和HelperConceptDriftGenerator,分别。
concept1 = HelperSineGenerator (ClassificationFunction = 1, IrrelevantFeatures = true, TableOutput = false);concept2 = HelperSineGenerator (ClassificationFunction = 3, IrrelevantFeatures = true, TableOutput = false);driftGenerator = HelperConceptDriftGenerator (concept1 concept2, 15000, 1000);
当ClassificationFunction是1,HelperSineGenerator标签所有点满足x1<sin (x2)1,否则函数标签为0。当ClassificationFunction3,这是逆转。也就是说,HelperSineGenerato所有的点以满足r标签x1> =sin (x2)1,否则函数标签0 [2]。使用的软件返回矩阵中的数据增量的学习者。
HelperConceptDriftGenerator建立了概念漂移。对象使用一个s形的函数1. / (1 + exp (4 * (numobservations-position)。/宽度))决定选择第一个流的概率在生成数据[3]。在这种情况下,位置参数是15000,宽度参数是1000。随着观测超过数量的位置值减去一半的宽度,从第一个流的概率抽样生成数据时减少。乙状结肠函数允许从一个流平稳过渡到另一个。更大的宽度值表明一个更大的过渡时期,流大约同样有可能被选中。
发起一个增量drift-aware模型分类如下:
创建一个二进制增量朴素贝叶斯分类模型的分类。
发起一个增量的概念漂移探测器使用霍夫丁范围漂移的检测方法与移动平均线(HDDMA)。
使用增量线性模型和概念漂移探测器,启动增量drift-aware模型。指定培训期间为5000年观测。
BaseLearner = incrementalClassificationNaiveBayes (MaxNumClasses = 2,指标=“classiferror”);dd = incrementalConceptDriftDetector (“hddma”);理想= incrementalDriftAwareLearner (BaseLearner DriftDetector = dd, TrainingPeriod = 5000);
Preallocate每个块中的变量和用于创建数据流的迭代次数。
numObsPerChunk = 10;numIterations = 4000;
Preallocate跟踪漂移状态变量和漂移时间,和存储分类错误。
dstatus = 0 (numIterations, 1);statusname =字符串(numIterations, 1);driftTimes = [];ce = array2table (0 (numIterations, 2), VariableNames = [“累积”“窗口”]);
模拟数据流与传入的10块观察每执行增量drift-aware学习。在每一次迭代:
模拟预测数据和标签和更新
driftGenerator使用辅助函数hgenerate。调用
updateMetricsAndFit更新性能指标和适应增量drift-aware模型传入的数据。跟踪和记录漂移状态和分类误差可视化的目的。
rng (12);%的再现性为j = 1: numIterations%生成数据(driftGenerator, X, Y) = hgenerate (driftGenerator numObsPerChunk);%更新性能指标和健康理想= updateMetricsAndFit(理想,X, Y);%记录漂移状态和分类错误statusname (j) =字符串(idal.DriftStatus);ce {j:} = idal.Metrics {“ClassificationError”,:};如果的理想。漂移Detected dstatus(j) = 2;elseif的理想。WarningDetected dstatus(j) = 1;其他的dstatus (j) = 0;结束如果的理想。漂移Detected driftTimes(end+1) = j;结束结束
情节的累积和每个窗口分类错误。标志着热身和训练时间,介绍了漂移。
h =情节(ce.Variables);numIterations xlim ([0]) ylim (0.22 [0]) ylabel (“分类错误”)包含(“迭代”)参照线(idal.MetricsWarmupPeriod / numObsPerChunk,“g -。”,“热身期”线宽= 1.5)参照线(idal.MetricsWarmupPeriod / numObsPerChunk + driftTimes,“g -。”,“热身期”线宽= 1.5)参照线(idal.TrainingPeriod / numObsPerChunk,“b -。”,“培训”LabelVerticalAlignment =“中间”线宽= 1.5)参照线(driftTimes“m——”,“漂移”LabelVerticalAlignment =“中间”传说,线宽= 1.5)(h, ce.Properties.VariableNames)传说(h,位置=“最佳”)
的updateMetricsAndFit函数首先评估模型的性能通过调用updateMetrics输入数据,然后通过调用数据模型相吻合适合:
的updateMetrics功能评估模型的性能处理传入的观察。函数写入指定的指标,测量累计和在指定窗口的观察,处理的指标模型属性。
的适合功能符合模型通过更新基础学习者和监测漂移传入批数据。当你打电话适合,软件执行以下程序:
火车模型
NumTrainingObservations观察。训练后,软件开始跟踪模型损失是否发生任何概念漂移,并相应地更新漂移状态。
当漂移状态
警告,软件列车临时模型来代替BaseLearner在准备即将到来的漂移。当漂移状态
漂移、临时模型取代了BaseLearner。当漂移状态
稳定的,暂时丢弃的软件模型。
有关更多信息,请参见算法部分。
情节漂移状态和迭代数。
gscatter (1: numIterations dstatus statusname,“巨磁电阻”,“o”5,“上”,“迭代”,“漂移”状态,“填充”)
输入参数
输出参数
算法
引用
版本历史
介绍了R2022b
