incrementallearner.
将Naive Bayes分类模型转换为增量学习者
描述
IncrementalMdl= incrementalLearner (Mdl）IncrementalMdl，利用传统训练朴素贝叶斯分类模型的超参数，Mdl。因为它的财产价值反映了所获得的知识Mdl，IncrementalMdl可以根据新的观测结果预测标签，是吗温暖的，这意味着它的预测性能会被跟踪。
IncrementalMdl= incrementalLearner (Mdl，名称,值）IncrementalMdl在它的预测性能被跟踪之前。例如,“MetricsWarmupPeriod”,50岁,“MetricsWindowSize”,100指定在跟踪性能指标之前的50个观察值的初步增量培训期，并指定在更新性能指标之前处理100个观察值。
例子
将传统训练模式转化为增量学习者
使用。训练朴素贝叶斯模型fitcnb，然后将其转化为增量式学习者。
加载和预处理数据
加载人类活动数据集。
负载人类活动
关于数据集的详细信息，请输入描述在命令行。
训练朴素贝叶斯模型
拟合一个朴素贝叶斯分类模型到整个数据集。
TTMdl = fitcnb(壮举,actid);
TTMdl是A.ClassificationniveBayes.代表传统训练的朴素贝叶斯分类模型的模型对象。
转换训练模型
将传统训练的朴素贝叶斯分类模型转化为增量学习。
increntmentalmdl = incrementallearner（ttmdl）
increntmentalmdl = incrementallassificationnaiveBayes isWarm：1度量：[1x2表] ClassNames：scoreTransform：'none'分发Name：{1x60 Cell}分发参数：{5x60 Cell}属性，方法
IncrementalMdl是一个incrementalclassificaiveBayes.模型对象准备的增量学习使用朴素贝叶斯分类。
的
incrementallearner.初始化增量学习器，将学习到的条件预测器分布参数连同其他信息传递给增量学习器TTMdl从训练数据中提取。IncrementalMdl温暖 （IsWarm是1)，这意味着增量学习函数可以跟踪性能指标并做出预测。
预测回应
从转换传统训练的模型创建的增量学习者可以在不进一步处理的情况下生成预测。
使用这两个模型预测所有观测值的分类分数(类别后验概率)。
[~, ttscores] =预测(TTMdl壮举);[~,简称ilcor] =预测(IncrementalMdl壮举);compareScores = norm(ttscores - ilcores)
compareScores = 0
模型生成的分数之间的差值为0。
配置性能指标选项
使用训练有素的朴素贝叶斯模型初始化增量学习器。通过指定一个指标预热期来为增量学习者做准备，在此期间updateMetricsAndFit功能仅适合模型。指定度量窗口大小为500个观察。
加载人类活动数据集。
负载人类活动
关于数据集的详细信息，请输入描述在命令行
随机将数据分成两半：前半部分用于培训一个传统上的型号，而下半部分为增量学习。
n =元素个数(actid);rng (1)%的再现性本量利= cvpartition (n,'坚持'，0.5）;idxtt =培训（CVP）;IDXIL =测试（CVP）;%数据的前半部分Xtt =壮举(idxtt:);Ytt = actid (idxtt);数据的％下半部分自=壮举(idxil:);Yil = actid (idxil);
将朴素贝叶斯模型拟合到数据的前半部分。
ttmdl = fitcnb（xtt，ytt）;
将传统训练的朴素贝叶斯模型转换为朴素贝叶斯分类模型进行增量学习。指定以下:
2000个观察数据的性能指标热身期
500个观察值的指标窗口大小
利用分类误差和最小代价来衡量模型的性能
increntmentalmdl = increntmentallerner（ttmdl，“MetricsWarmupPeriod”, 2000,“MetricsWindowSize”500，......“指标”, (“classiferror”“枢纽”]);
将增量模型拟合到数据的后半部分updateMetricsAndfit函数。在每一次迭代:
通过一次处理20个观察数据来模拟数据流。
用适合传入观察的新一个覆盖以前的增量模型。
将第二个预测器的平均值存储在第一个类中 、累积指标和窗口指标，以查看它们在增量学习过程中如何发展。
%预先配置nil = numel（yil）;numobsperchunk = 20;nchunk = ceil（nil / numobsperchunk）;CE = Array2table（零（nchunk，2），'variablenames', (“累积”“窗口”]);(nchunk mc = array2table (0, 2),'variablenames', (“累积”“窗口”]);mu12 = 0 (nchunk, 1);%增量式拟合为j = 1:nchunk ibegin = min(nil,numObsPerChunk*(j-1) + 1);iend = min (nil, numObsPerChunk * j);idx = ibegin: iend;IncrementalMdl = updateMetricsAndFit (IncrementalMdl自(idx:), Yil (idx));ce {j:} = IncrementalMdl。指标{“ClassificationError”,:};mc {j ,:} = increntmentalmdl.metrics {“MinimalCost”,:};mu12(j + 1) = incrementalmdd . distributionparameters {1,2}(1);结束
IncrementalMdl是一个incrementalclassificaiveBayes.模型对象对流中的所有数据进行训练。在增量学习过程中以及模型热身后，updateMetricsAndFit检查模型在传入观测中的表现，然后将模型与观测相吻合。
看看性能指标如何和 在训练期间演变，将它们绘制在单独的子尺上。
图;次要情节(1,1)情节(mu12) ylabel ('\ mu_ {12}') xlim ([0 nchunk]);参照线(IncrementalMdl。metricswarmupperiod./numObsPerChunk,r -。）;subplot(3,1,2) h = plot(ce.Variables);xlim ([0 nchunk]);ylabel (分类错误的)参照线(IncrementalMdl。metricswarmupperiod./numObsPerChunk,r -。）;传奇(h, ce.Properties.VariableNames“位置”，'西北'）子图（3,1,3）h = plot（mc.variables）;xlim ([0 nchunk]);ylabel ('最小的成本')参照线(IncrementalMdl。metricswarmupperiod./numObsPerChunk,r -。）;传奇(h, mc.Properties.VariableNames“位置”，'西北')包含(“迭代”）
这个情节表明updateMetricsAndFit以下:
适合 在所有的增量学习迭代过程中。
仅在指标预热时间后计算性能指标。
在每次迭代期间计算累积度量。
在处理500个观察(25次迭代)后计算窗口度量。
因为数据是按活动排序的，所以平均值和性能指标会周期性地突然变化。
输入参数
输出参数
更多关于
算法
另请参阅
对象
功能
你也可以从以下列表中选择一个网站:
