增量学习或在线学习涉及从数据流处理输入数据,可能仅仅给出了对预测变量的分布,目标函数的各个方面的知识,以及是否标记了观察。与传统机器学习方法对比的增量学习问题,其中有足够的标记数据可以适合模型,执行交叉验证以调整超公数,并推断出预测器分布特性。
增量学习需要配置的增量模型。例如,您可以通过调用对象直接创建和配置增量模型incrementalClassificationLinear
,或者您可以通过使用将支持的传统训练模型转换为万博1manbetx增量学习者incrementalLearner
.在配置模型和设置数据流之后,您可以将增量模型适应传入的数据块,跟踪模型的预测性能,或者同时执行这两种操作。
有关详细信息,请参见增量学习概述.
incrementalClassificationLinear |
用于增量学习的二元分类线性模型 |
incrementalClassificationNaiveBayes |
用于增量学习的朴素贝叶斯分类模型 |
了解关于增量学习的基本概念,包括增量学习对象、增量学习功能和增量学习流程。
为数据流上的增量性能评估和培训准备增量学习模型。
使用简洁的工作流程实现具有前列评估的二进制分类的增量学习。
利用灵活的工作流程,实现了对具有前置评价的二元分类的增量学习。
使用分类学习者应用程序训练逻辑回归模型,然后使用估计系数初始化二元分类的增量模型。
利用灵活的工作流实现了基于朴素贝叶斯多类分类模型的增量学习过程中的条件训练。