主要内容

增量学习

将线性回归模型拟合到流数据并跟踪其性能

增量学习,或在线学习,涉及处理来自数据流的输入数据,可能很少或根本不知道预测变量的分布、目标函数的各个方面以及观察值是否被标记。增量学习问题与传统的机器学习方法不同,在传统的机器学习方法中有足够的标记数据可用于拟合模型,执行交叉验证以调整超参数,并推断预测分布特征。

增量学习需要配置的增量模型。您可以使用直接创建和配置增量模型增量回归线性,或者您可以使用将受支持的传统培训模型转换为增万博1manbetx量学习器递增学习器. 配置模型并设置数据流后,可以将增量模型与传入的数据块相适应,跟踪模型的预测性能,或者同时执行这两个操作。

有关详细信息,请参阅增量学习概述.

功能

全部展开

递增学习器 将支持向量机(S万博1manbetxVM)回归模型转化为增量学习器
递增学习器 将线性回归模型转换为增量学习器
适合 增量学习的线性模型训练
更新矩阵 在线性模型中更新性能指标,以便在给定新数据的情况下进行增量学习
updateMetricsAndFit 更新线性模型中的性能指标,以便在给定新数据和训练模型的情况下进行增量学习
预测 从增量学习线性模型预测新观察结果的响应
丧失 批量数据增量学习的线性模型损失

物体

增量回归线性 增量学习的线性回归模型

话题

增量学习概述

了解有关增量学习的基本概念,包括增量学习对象、功能和工作流。

配置增量学习模型

为数据流上的增量性能评估和培训准备增量学习模型。

使用简洁的工作流实现线性回归的增量学习

使用简洁的工作流程实现线性回归的增量学习,并进行后续评估。

使用灵活的工作流实现线性回归的增量学习

使用灵活的工作流实现线性回归的增量学习,并进行后续评估。

从回归学习器训练的SVM回归模型初始化增量学习模型

使用回归学习器应用程序训练线性SVM回归模型,然后使用估计系数初始化用于回归的增量模型。