incrementalclassificanivebayes.
朴素贝叶斯增量学习的分类模型
描述
incrementalclassificanivebayes.创建一个incrementalclassificanivebayes.模型对象，代表了一个天真的贝母用于增量学习的多款分类模型。incrementalclassificanivebayes.万博1manbetx支持正态分布的预测变量。
与其他统计和机器学习工具箱™模型对象不同，incrementalclassificanivebayes.可以直接调用。此外，在将模型与数据拟合之前，您可以指定学习选项，如性能指标配置和先验类概率。在创建incrementalclassificanivebayes.对象，它为之准备增量学习．
incrementalclassificanivebayes.最适合于增量学习。对于一个传统的方法来训练朴素贝叶斯模型多类分类（例如，通过其拟合到数据，执行交叉验证，调谐超参数，等等创建模型），见fitcnb．
创造
你可以创建一个incrementalclassificanivebayes.通过多种方式模型对象：
直接调用函数- 通过调用来配置增量学习选项或指定特定于学习者的选项
incrementalclassificanivebayes.直接。这种方法是最好的，当你没有数据还没有，或者你想立即启动增量学习。您必须指定的类或有望在增量学习过程中的响应数据的所有类名的最大数量。转换传统训练模式—使用训练过的朴素贝叶斯模型对象的模型参数初始化朴素贝叶斯分类模型进行增量学习，可以将传统训练过的模型转换为
incrementalclassificanivebayes.模型对象，将其传递给incrementalLearner函数。调用增量学习函数- - - - - -
适合，updateMetrics,updateMetricsAndFit接受一个配置incrementalclassificanivebayes.模型对象和数据作为输入，并返回一个incrementalclassificanivebayes.使用从输入模型和数据学到的信息更新模型对象。
语法
描述
Mdl= incrementalclassificaiveBayes（'maxnumclasses'，MaxNumClasses）Mdl，在哪里MaxNumClasses为增量学习过程中响应数据中期望的最大班级数。默认模型的属性包含未知模型参数的占位符。您必须训练一个默认模型，然后才能跟踪它的性能或从它生成预测。
输入参数
属性
对象的功能
适合 |
培训天真贝叶斯增量学习的分类模型 |
updateMetricsAndFit |
在给定新数据和训练模型的情况下，更新朴素贝叶斯分类模型的增量学习性能指标 |
updateMetrics |
更新朴素贝叶斯分类模型的性能指标，用于给定新数据的增量学习 |
logp |
幼稚贝叶斯分类模型的日志无条件概率密度递增学习 |
损失 |
批数据增量学习中朴素贝叶斯分类模型的损失 |
预测 |
预测基于增量学习的朴素贝叶斯分类模型对新观测值的响应 |
例子
用较少的先验信息创建增量学习者
要创建用于增量学习的朴素贝叶斯分类模型，您必须指定的最少信息量就是您希望模型能够经历的最大类数('maxnumclasses'名称-值参数)。当您使用增量拟合函数将模型与传入的数据批进行拟合时，模型将在其中收集新经历的类一会财产。如果指定的预期最大类数不准确，则会出现以下选项之一:
在增量拟合函数达到预期的最大类数之前，模型是冷的。因此,
updateMetrics和updateMetricsAndFit功能不测量性能指标。如果类的数量超过最大预期，则增量拟合函数会发出错误。
这个例子展示了当您只知道数据中期望的最大类数时，如何创建用于增量学习的朴素贝叶斯分类模型。此外，该示例还说明了在示例中，增量拟合函数在早期和晚期经历所有预期类时的结果。
在这个例子中，考虑培训设备，以预测受试者无论是坐着，站立，行走，跑步，或者是基于对受试者测定生物特征数据跳舞。因此，该装置具有最大5类，从中选择。
样本早期的期望最大类数
创建一个用于多类学习的增量朴素贝叶斯学习器。指定数据的最大5类。
MdlEarly = incrementalClassificationNaiveBayes（'maxnumclasses'5)
MdlEarly = incrementalClassificationNaiveBayes IsWarm: 0 Metrics: [1×2 table] ClassNames: [1×0 double] ScoreTransform: 'none' DistributionNames: 'normal' DistributionParameters:{}属性，方法
MdlEarly是一个incrementalclassificanivebayes.模型对象。它的所有属性都是只读的。
MdlEarly必须符合数据，然后才能使用它来执行任何其他操作。
加载人类活动数据集。随机播放数据。
负载humanactivityn =元素个数(actid);rng (1);%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
关于数据集的详细信息，请输入描述在命令行。
通过使用适合的增量模型训练数据updateMetricsAndfit函数。通过一次处理50个观察的大块来模拟数据流。在每一次迭代:
过程50观察。
用拟合传入观察的新一个覆盖以前的增量模型。
商店 (第一堂课中第一个预测变量的平均值)、累积指标和窗口指标，以查看它们在增量学习过程中是如何发展的。
%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);MC = Array2table（零（nchunk，2），'variablenames', (“累积”“窗口”]);mu1 = zeros（nchunk，1）;％渐进学习为n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;MdlEarly = updateMetricsAndFit (MdlEarly X (idx:), Y (idx));mc {j:} = MdlEarly。指标{“MinimalCost”,:};MU1（J + 1）= {MdlEarly.DistributionParameters 1,1}（1）;结束
MdlEarly是一个incrementalclassificanivebayes.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。
看看绩效指标和 在训练中进化，把它们放在不同的次要情节上。
图;次要情节(2,1,1)情节(mu1) ylabel (“\ mu_{11}”) xlim ([0 nchunk]);副区（2,1,2）H =情节（mc.Variables）;xlim ([0 nchunk]);ylabel (“最小成本”)参照线(MdlEarly。指标WarmupPeriod/numObsPerChunk,'R-'。）;传奇(h, mc.Properties.VariableNames)包含(“迭代”）
这个情节表明updateMetricsAndFit以下:
适合 在所有增量学习迭代
只有指标预热期后，计算性能指标。
在每次迭代期间计算累积度量。
处理500周的观察之后计算所述窗口的指标。
在样本中，预期的最大类数
创建于增量学习的目的不同的朴素贝叶斯模型。
MdlLate = incrementalClassificationNaiveBayes（'maxnumclasses'5)
MdlLate = incrementalClassificationNaiveBayes IsWarm: 0 Metrics: [1×2 table] ClassNames: [1×0 double] ScoreTransform: 'none' DistributionNames: 'normal' DistributionParameters:{}属性，方法
将所有标记为第5类的观察结果移到样本的末尾。
idx5 = Y == 5;Xnew = [X (~ idx5,:);X (idx5:)];Ynew = [Y(~idx5);Y(idx5)];
如前所述，拟合增量模型并绘制结果。
(nchunk mcnew = array2table (0, 2),'variablenames', (“累积”“窗口”]);mu1new = zeros（nchunk，1）;为n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;MdlLate = updateMetricsAndFit (MdlLate Xnew (idx:), Ynew (idx));mcnew {j:} = MdlLate。指标{“MinimalCost”,:};mu1new(j + 1) = MdlLate.DistributionParameters{1,1}(1);结束图;子图（2,1,1）绘图（mu1new）ylabel（“\ mu_{11}”) xlim ([0 nchunk]);subplot(2,1,2) h = plot(mcnew.Variables);xlim ([0 nchunk]);ylabel (“最小成本”)参照线(MdlLate。指标WarmupPeriod/numObsPerChunk,'R-'。）;XLINE（SUM（〜IDX5）/ numobsperchunk，'G-'。）;传奇(h, mcnew.Properties.VariableNames“位置”，“最佳”)包含(“迭代”）
的updateMetricsAndFit函数在增量学习过程中进行训练，但是函数在模型符合所有期望的类数量之后(底部子图中的绿色垂线)开始跟踪性能指标。
指定所有类名
这个示例展示了如何在知道数据中所有类名的情况下创建增量朴素贝叶斯学习器。
考虑培训设备以预测基于在主题上测量的生物识别数据坐，站立，行走，运行或跳舞，并且您知道类名称将1到5映射到活动。
创建一个用于多类学习的增量朴素贝叶斯学习器。指定类名。
一会= 1:5;Mdl = incrementalClassificationNaiveBayes (“类名”类名)
Mdl = incrementalClassificationNaiveBayes IsWarm: 0 Metrics: [1x2 table] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' DistributionNames: 'normal' DistributionParameters: {5x0 cell}属性，方法
Mdl是一个incrementalclassificanivebayes.模型对象。它的所有属性都是只读的。
Mdl必须符合数据，然后才能使用它来执行任何其他操作。
加载人类活动数据集。随机播放数据。
负载humanactivityn =元素个数(actid);rng (1);%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
关于数据集的详细信息，请输入描述在命令行。
通过使用适合的增量模型训练数据updateMetricsAndfit函数。通过一次处理50个观察的大块来模拟数据流。在每一次迭代:
过程50观察。
用拟合传入观察的新一个覆盖以前的增量模型。
%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);％渐进学习为n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl = updateMetricsAndFit (Mdl X (idx:), Y (idx));结束
配置增量学习选项
除了指定类名的最大数目外，还可以通过指定一个指标预热期来准备一个增量朴素贝叶斯学习器，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。随机播放数据。
负载humanactivityn =元素个数(actid);idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
关于数据集的详细信息，请输入描述在命令行。
为二元分类创建一个增量线性模型。模型配置如下:
指定5000个观察值的指标预热周期。
指定度量窗口大小为500个观察。
跟踪误差分类和最小的成本来衡量模型的性能。
Mdl = incrementalClassificationNaiveBayes ('maxnumclasses'5,'MetricsWarmupPeriod'，5000，......“MetricsWindowSize”, 500,“指标”, (“classiferror”“麦克塞特”]）
Mdl = incrementalClassificationNaiveBayes IsWarm: 0 Metrics: [2x2 table] ClassNames: [1x0 double] ScoreTransform: 'none' DistributionNames: 'normal' DistributionParameters:{}属性，方法
Mdl是一个incrementalclassificanivebayes.配置为增量学习模型对象。
将增量模型与其余数据进行拟合updateMetricsAndfit函数。在每一次迭代:
通过处理50个观察数据块来模拟数据流。
用拟合传入观察的新一个覆盖以前的增量模型。
商店 (第一堂课中第一个预测变量的标准偏差)、累积指标和窗口指标，以查看它们在增量学习中如何发展。
%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);ce = array2table (0 (nchunk, 2),'variablenames', (“累积”“窗口”]);MC = Array2table（零（nchunk，2），'variablenames', (“累积”“窗口”]);sigma11 = 0 (nchunk, 1);%增量式拟合为n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl = updateMetricsAndFit (Mdl X (idx:), Y (idx));ce {j:} = Mdl。指标{“ClassificationError”,:};mc {j:} = Mdl。指标{“MinimalCost”,:};sigma11(j + 1) = Mdl.DistributionParameters{1,1}(2);结束
IncrementalMdl是一个incrementalclassificanivebayes.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。
看看绩效指标和 在训练中进化，把它们放在不同的次要情节上。
图;子图（2,2,1）绘图（Sigma11）Ylabel（“\ sigma_{11}”) xlim ([0 nchunk]);xline（mdl.metricswarmupperiod / numobsperchunk，'R-'。）;包含(“迭代”) subplot(2,2,2) h = plot(ce.Variables);xlim ([0 nchunk]);ylabel (分类错误的）xline（mdl.metricswarmupperiod / numobsperchunk，'R-'。）;传奇(h, ce.Properties.VariableNames)包含(“迭代”) subplot(2,2,3) h = plot(mc.Variables);xlim ([0 nchunk]);ylabel (“最小成本”）xline（mdl.metricswarmupperiod / numobsperchunk，'R-'。）;传奇(h, mc.Properties.VariableNames)包含(“迭代”）
这个情节表明updateMetricsAndFit以下:
适合 在所有增量学习迭代
只有指标预热期后，计算性能指标。
在每次迭代期间计算累积度量。
处理500周的观察（10次迭代）后计算该窗口的指标。
将传统训练模式转化为增量学习者
通过使用培训一个天真的贝母模型进行多牌分类fitcnb，将其转换为一个增量学习，跟踪它的性能，它适合流数据。延续传统的培训方式，以增量学习。
加载和预处理数据
加载人类活动数据集。随机播放数据。
负载humanactivityrng (1);%的再现性n =元素个数(actid);idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
关于数据集的详细信息，请输入描述在命令行。
假设受试者空闲时收集的数据(Y>2)的质量是物体移动时的两倍。创建一个权重变量，2表示从空闲对象收集的观察数据，1表示移动对象。
W = ones(n,1) + (Y < 3);
训练朴素贝叶斯模型
将多类分类的朴素贝叶斯模型拟合到一半数据的随机样本中。
idxtt = randsample（[true false]，n，true）;ttmdl = fitcnb（x（idxtt，:)，y（idxtt），“重量”，W（idxtt））
TTMdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' NumObservations: 12053 DistributionNames: {1x60 cell} DistributionParameters: {5x60 cell}属性，方法
TTMdl是一个ClassificationNaiveBayes模型对象表示传统训练的朴素贝叶斯模型。
转换受训模型
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。
IncrementalMdl = incrementalLearner (TTMdl)
IncrementalMdl = incrementalClassificationNaiveBayes IsWarm: 1 Metrics: [1x2 table] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' DistributionNames: {1x60 cell} DistributionParameters: {5x60 cell}属性，方法
单独跟踪性能指标和拟合模型
通过对数据的其余部分进行增量学习updateMetrics和适合功能。一次处理50个观测数据，模拟一个数据流。在每一次迭代:
调用
updateMetrics更新给予意见的传入块模型的累积和窗口分类错误。覆盖以前的增量模型，以更新的损失指标财产。注意，该函数并不使模型适合数据块——数据块是模型的“新”数据。设置观测权值。调用
适合使模型与观测数据相吻合。覆盖之前的增量模型以更新模型参数。设置观测权值。存储第一类的第一个预测变量的最小代价和均值 ．
%预先配置idxil =〜idxtt;零=总和（idxil）;numObsPerChunk = 50;nchunk =地板（NIL / numObsPerChunk）;MC = Array2table（零（nchunk，2），'variablenames', (“累积”“窗口”]);mu11 = [IncrementalMdl.DistributionParameters {1} (1);0 (nchunk 1)];自= X (idxil:);Yil = Y (idxil);会= W (idxil);%增量式拟合为J = 1：nchunk ibegin =分钟（零，numObsPerChunk *（J-1）+ 1）;IEND =分钟（零，numObsPerChunk * j）的;idx = ibegin: iend;IncrementalMdl = updateMetrics（IncrementalMdl，可可西里（IDX，:)，YIL（IDX），......“重量”会(idx));mc {j:} = IncrementalMdl。指标{“MinimalCost”,:};IncrementalMdl =拟合（IncrementalMdl，可可西里（IDX，:)，YIL（IDX），“重量”会(idx));mu11（j + 1）= increntmentalmdl.distributionParameters {1,1}（1）;结束
IncrementalMdl是一个incrementalclassificanivebayes.模型对象对流中的所有数据进行训练。
或者，您可以使用updateMetricsAndFit更新给定新数据块的模型的性能指标，然后使模型适合于数据。
绘制性能指标和估计系数的跟踪图 ．
图;子图（2,1,1）H = Plot（MC.Variables）;xlim ([0 nchunk]);ylabel (“最小成本”) legend(h,mc.Properties.VariableNames) subplot(2,1,2) plot(mu11) ylabel(“\ mu_11”) xlim ([0 nchunk]);包含(“迭代”）
累积损失稳定并逐渐降低，而窗户损耗跳跃。
开始突然变化，然后逐渐平稳适合流程更块。
更多关于
算法
另请参阅
功能
你也可以从以下列表中选择一个网站:
