增量学习,或在线学习,涉及处理来自数据流的传入数据,可能对预测变量的分布、目标函数的各个方面以及观察结果是否被标记的知识很少或没有。增量学习问题与传统机器学习方法不同,传统机器学习方法有足够的标记数据来拟合模型,进行交叉验证以调整超参数,并推断预测器分布特征。
增量学习需要配置的增量模型。例如,您可以直接创建和配置增量模型,例如,通过调用对象incrementallassificeLifear.
,或者您可以使用以下方法将受支持的传统训练模型万博1manbetx转换为增量学习者incrementallearner
。在配置模型和设置数据流后,可以将增量模型适合到传入的数据块,跟踪模型的预测性能,或同时执行两个操作。
有关更多详细信息,请参阅增量学习概述。
incrementallassificeLifear. |
增量学习的二进制分类线性模型 |
incrementalclassificanivebayes. |
朴素贝叶斯增量学习的分类模型 |
发现关于增量学习的基本概念,包括增量学习对象,功能和工作流程。
为数据流上的增量性能评估和培训准备增量学习模型。
采用简洁的工作流程实现了二元分类的增量学习。
使用灵活的工作流程实现具有前列评估的二进制分类的增量学习。
从分类学习者训练的Logistic回归模型中初始化增量学习模型
使用分类学习者应用训练逻辑回归模型,然后使用估计的系数初始化二进制分类的增量模型。
使用灵活的工作流程,在使用Naive Bayes MultiClass分类模型中实现增量学习期间的条件培训。