损失

关于数据批量学习的线性模型的丧失

折叠所有页面

语法

l =损耗（mdl，x，y）

l =损失（MDL，x，y，名称，值）

描述

损失返回线性回归的配置增量学习模型的回归或分类损失(incrementalregressionlinear.对象)或线性二元分类(incrementallassificeLifear.对象）。

在数据流上测量模型性能并将结果存储在输出模型中，呼叫UpdateMetrics.或updatemetricsandfit.．

示例

L.=损失（MDL.那X.那y）返回增量学习模型的损失MDL.使用批量预测器数据X.和相应的反应y．

示例

L.=损失（MDL.那X.那y那名称，价值）使用由一个或多个名称-值对参数指定的附加选项。例如，您可以指定预测器数据矩阵的列与观测值对应，或者指定分类损失函数。

例子

崩溃

衡量增量学习期间的模型性能

打开直播脚本

流数据上的增量模型的性能以三种方式测量：

累积指标衡量自增量学习开始以来的表现。
窗口度量度量指定观察窗口上的性能。每次模型处理指定的窗口时，度量都会更新。
当损失函数仅度量指定一批数据的性能。

加载人工活动数据集。随机洗牌数据。

加载humanactivityn =元素个数(actid);rng (1);%的再现性idx = randsample（n，n）;x = feat（idx，:);y = actid（idx）;

有关数据集的详细信息，请输入描述在命令行。

回复可以是五个课程之一：坐着，站立，走路，跑步或跳舞。通过识别主题是否正在移动（actid.> 2)。

Y = Y> 2;

为二进制分类创建增量线性SVM模型。配置它损失通过指定类名，先前类分发（统一）和任意系数和偏置值。指定度量窗口大小为1000个观察。

p =大小(X, 2);β= randn (p, 1);偏见= randn (1);Mdl = incrementalClassificationLinear (“β”，beta，“偏见”，偏见，．..'classnames'独特的(Y),“之前”那“统一”那“MetricsWindowSize”，1000）;

MDL.是一个incrementallassificeLifear.模型。它的所有属性都是只读的。不需要指定任意值，您可以采取以下任一操作来配置模型:

训练一个支持向量机模型使用fitcsvm.或fitclinear在数据的子集（如果可用）中，然后通过使用将模型转换为增量学习者incrementalLearner．
渐进合身MDL.通过使用适合．

模拟一个数据流，并对每个传入的50个观察数据块执行以下操作:

调用UpdateMetrics.测量累积性能和观察窗口内的性能。用一个新的增量模型覆盖以前的增量模型，以跟踪性能指标。
调用损失来测量模型在传入块上的性能。
调用适合将模型适合传入的块。用拟合传入观察的新一个覆盖以前的增量模型。
存储所有性能指标，以了解它们在增量学习期间的发展方式。

％preallocation.numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);CE = Array2table（零（nchunk，3），“VariableNames”，[“累积”“窗口”“损失”]);%增量学习对于n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl = updateMetrics (Mdl X (idx:), Y (idx));ce {j [“累积”“窗口”]} = mdl.metrics {“ClassificationError”,:};CE {J，“损失”} =损失（mdl，x（idx，:)，y（idx））;mdl = fit（mdl，x（idx，:)，y（idx））;结束

MDL.是一个incrementallassificeLifear.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，UpdateMetrics.检查模型对传入观察的性能，然后检查适合功能适合该观察的模型。损失是不可知的指标预热期，因此它度量所有迭代的分类错误。

要了解在培训期间绩效指标是如何发展的，请将它们绘制出来。

图;情节（CE.variables）;XLIM（[0 nchunk]）;ylim（[0 0.05]）ylabel（'分类错误')参照线(Mdl。MetricsWarmupPeriod / numObsPerChunk,'r-'。）;传奇（ce.properties.variablenames）xlabel（'迭代'）

图中包含一个坐标轴。轴包含4个对象的类型线，恒线。这些对象代表累积，窗口，损失。

在度量预热期间（红色线左侧的区域）期间，黄线表示每个传入块的分类错误。在度量预热期后，MDL.跟踪累积和窗口指标。累积和批量损失会聚适合函数使增量模型适合传入数据。

计算传入数据块的自定义损失

打开直播脚本

适用于流向流数据的回归的增量学习模型，并计算进入数据批量上的平均绝对偏差（MAD）。

加载机器人臂数据集。获取样本大小N和预测变量的数量P.．

加载Robotarm.n = numel（ytrain）;p =尺寸（XTrain，2）;

有关数据集的详细信息，请输入描述在命令行。

为回归创建一个增量线性模型。模型配置如下:

指定1000个观察值的指标预热周期。
指定一个指标窗口大小为500个观察值。
跟踪平均绝对偏差(MAD)来衡量模型的性能。创建一个匿名函数来测量每个新观测的绝对误差。创建包含名称的结构数组意思是ab及其相应的功能。
通过指定所有回归系数和偏差为0，配置模型以预测响应。

Maefcn = @(z,zfit,w)(abs(z - zfit));maemetric =结构(“意思是贝蒂尔罗”, maefcn);Mdl = incrementalRegressionLinear (“MetricsWarmupPeriod”, 1000,“MetricsWindowSize”, 500,．..'度量标准'maemetric,“β”0 (p - 1),“偏见”0,“EstimationPeriod”, 0)

Mdl = incrementalRegressionLinear IsWarm: 0 Metrics: [2x2 table] ResponseTransform: 'none' Beta: [32x1 double] Bias: 0 Learner: 'svm'属性，方法

MDL.是一个incrementalregressionlinear.为增量学习配置的模型对象。

执行增量学习。在每次迭代：

通过处理50个观察的块来模拟数据流。
调用UpdateMetrics.计算数据传入块的累积和窗口指标。覆盖以前的一个增量模型，用一个装备覆盖以前的度量标准。
调用损失来计算传入数据块的MAD。然而累积和窗口度量要求自定义损失返回每个观测的损失，损失需要整个块的损失。计算绝对偏差的平均值。
调用适合将增量模型拟合到收入的数据块。
存储累积，窗口和块称指标，以了解它们在增量学习期间的发展方式。

％preallocation.numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);美= array2table (0 (nchunk, 3),“VariableNames”，[“累积”“窗口”“块”]);％增量拟合对于n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;MDL = UpdateMetrics（MDL，XTrain（IDX，:)，Ytrain（IDX））;mae {j，1：2} = mdl.metrics {“意思是贝蒂尔罗”,:};美{j 3} =损失(Mdl, Xtrain (idx:), ytrain (idx),“LossFun”@ (x, y, w)意味着(maefcn (x, y, w)));Mdl =适合(Mdl Xtrain (idx:), ytrain (idx));结束

increntmentalmdl.是一个incrementalregressionlinear.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，UpdateMetrics.检查模型的性能在传入的观察，和适合功能适合该观察的模型。

绘制性能指标，看看它们在增量学习期间的进化。

图;h = plot（mae.variables）;ylabel（'意味着绝对偏差')参照线(Mdl。MetricsWarmupPeriod / numObsPerChunk,'r-'。）;Xlabel（'迭代'传奇(h, mae.Properties.VariableNames)

图中包含一个坐标轴。轴包含4个对象的类型线，恒线。这些对象代表累积、窗口、块。

情节表明以下内容：

UpdateMetrics.仅在度量预热期后计算性能指标。
UpdateMetrics.在每次迭代期间计算累积度量。
UpdateMetrics.处理500次观察后计算窗口指标
因为MDL.被配置为从增量学习开始就预测观察结果，损失可以计算每个传入数据块的MAD。

输入参数

崩溃

`MDL.`-增量学习模型
`incrementallassificeLifear.`模型对象|`incrementalregressionlinear.`模型对象

增量学习模型，指定为一个incrementallassificeLifear.或incrementalregressionlinear.模型对象。您可以创建MDL.直接或转换支持的，传统训练的机器学习模型使用万博1manbetxincrementalLearner函数。详细信息请参见对应的参考页面。

您必须配置MDL.通过一组观测来计算它的损失。

如果MDL.是经过转换的、传统训练的模型，您可以不作任何修改就计算其损失。
否则,MDL.必须满足以下条件，您可以直接指定或通过拟合MDL.使用数据适合或updatemetricsandfit.．
- 如果MDL.是一个incrementalregressionlinear.模型，其模型系数mdl.beta.和偏见mdl.bias.必须是非空数组。
- 如果MDL.是一个incrementallassificeLifear.模型，其模型系数mdl.beta.和偏见mdl.bias.必须是非空的数组，班级名称mdl.classnames.必须包含两个类，和先前的类分布mdl.prior.必须包含已知值。
- 无论对象类型如何，如果您配置模型，使函数标准化预测器数据，预测器意味着mdl.mu.和标准偏差mdl.sigma.必须是非空数组。

`X.`-批量预测器数据
浮点矩阵

批量预测数据，用于计算丢失，指定为浮点矩阵N观察和Mdl。NumPredictors预测变量。价值'观察'名称-值对参数决定变量和观察值的方向。

观察标签的长度y观察的次数X.必须是平等的;Y (j）是观察的标签吗j（行或列）X.．

注意

损失万博1manbetx仅支持浮点输入预测器数据。如果输入模型MDL.代表转换的传统培训的模型适合分类数据，使用戴维尔将每个分类变量转换为虚拟变量的数字矩阵，并连接所有虚拟变量矩阵和任何其他数字预测器。有关更多详细信息，请参阅虚拟变量．

数据类型:单|双

`y`-批标签
分类阵列|字符数组|字符串数组|逻辑向量|浮点矢量|字符向量的单元格数组

用于计算损失的一批标签，指定为用于分类问题的类别、字符或字符串数组、逻辑或浮点向量，或字符向量的单元数组;或者是用于回归问题的浮点向量。

观察标签的长度y观察的次数X.必须是平等的;Y (j）是观察的标签吗j（行或列）X.．

对于分类问题:

损失万博1manbetx仅支持二进制分类。
当Classnames.输入模型的属性MDL.为非空时，应用以下条件:
- 如果y包含不是成员的标签mdl.classnames.那损失发出错误。
- 的数据类型y和mdl.classnames.肯定是一样的。

数据类型:字符|字符串|细胞|分类|逻辑|单|双

名称值对参数

指定可选的逗号分离对名称，价值参数。的名字是参数名称和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子:“ObservationsIn”、“列”、“重量”,W指定预测器矩阵的列对应于观察和向量W.包含要应用的观测权值。

`“LossFun”`-损失函数
字符串向量|功能手柄|细胞矢量|结构阵列|……

损失函数，指定为逗号分隔对组成“LossFun”以及内置的损失函数名或函数句柄。

分类问题:下表列出了当MDL.是一个incrementallassificeLifear.模型。使用其对应的字符向量或字符串标量指定一个。

的名字	描述
`“binodeviance”`	二项异常
`“classiferror”`(默认)	十进制误分类率
`“指数”`	指数损失
`“铰链”`	铰链的损失
`“logit”`	物流损失
`“二次”`	二次损失

有关更多详细信息，请参阅分类损失．

Logistic回归学习者返回后验概率作为分类分数，但支持向量机学习者不返回(见预测）。

要指定自定义丢失功能，请使用函数句柄表示法。该函数必须具有此表单：

损失=损失氟烃（C，S，W）

输出参数损失是一个N-by-1浮点向量lossval (j）分类是观察的损失吗j．
您指定函数名称（损失氟烃）。
C.是一个N-乘2的逻辑矩阵，其中的行表示相应的观测所属的类。中的列顺序对应于类的顺序Classnames.财产。创建C.通过设置c（P.那问：）=1,如果观察P.是在课堂上问：，对于指定数据中的每个观察。在行中设置其他元素P.来0.．
S.是一个N预测分类分数的-by-2数字矩阵。S.类似于分输出预测，其中行对应于数据中的观察，列顺序对应于类顺序Classnames.财产。S (P.那问：）是观察的分类评分吗P.被分类问：．
W.是一个N- 1个数字矢量重量的数字矢量。

回归问题:下表列出了当MDL.是一个incrementalregressionlinear.模型。使用其对应的字符向量或字符串标量指定一个。

的名字	描述	学习者支持指标万博1manbetx
`“epsiloninsensitive”`	ε不敏感损失	`“支持向量机”`
`“MSE”`(默认)	加权均方误差	`“支持向量机”`和`'最不答案'`

有关更多详细信息，请参阅回归损失．

要指定自定义丢失功能，请使用函数句柄表示法。该函数必须具有此表单：

损失=损失氟烃（y，Yfit，W）

输出参数损失是一个浮点标量。
您指定函数名称（损失氟烃）。
y是一个长度N观察到的反应的数字矢量。
YFIT.是一个长度N对应预测响应的数值向量。
W.是一个N- 1个数字矢量重量的数字矢量。

例子:“LossFun”、“mse”

例子:“LossFun”@损失氟烃

数据类型:字符|字符串|function_handle.

`'观察'`-预测数据观测维数
`'行'`(默认)|`'列'`

预测器数据观测维数，由指定的逗号分隔对组成'观察'和'列'或'行'．

数据类型:字符|字符串

`'重量'`-批次观察权重
浮点正数向量

观察权重批次，指定为逗号分隔对'重量'以及正值的浮点载体。损失使用相应的值称重输入数据中的观察重量．大小重量必须等于N，即输入数据中的观测次数。

默认情况下,重量是那些（N, 1)．

有关更多详细信息，请参阅观察权重．

数据类型:双|单

输出参数

崩溃

`L.`-分类或回归损失
数字标量

分类或回归损失，作为数字标量返回。的解释L.取决于重量和LossFun．

损失函数	价值`LossFun`	方程
二项异常	`“binodeviance”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 日志 {1 + 经验值 [- 2 m_{j}]} ．$
指数损失	`“指数”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 经验值（ - m_{j} ）．$
十进制误分类率	`“classiferror”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 我 {{\hat{y}}_{j} \neq y_{j}} ．$ ${\hat{y}}_{j}$ 是与具有最大分数的类对应的类标签。我{·}是指示函数。
铰链的损失	`“铰链”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 最大 {0. 那 1 - m_{j}} ．$
Logit损失	`“logit”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 日志（ 1 + 经验值（ - m_{j} ））．$
二次损失	`“二次”`	$L. = \sum_{j = 1}^{N} {W.}_{j} {（ 1 - m_{j} ）}^{2} ．$

损失函数	价值`LossFun`	方程
ε不敏感损失	`“epsiloninsensitive”`	$L. = 最大 [0. 那 \| y - F. （ X. ） \| - ε] ．$
平均方形错误	`“MSE”`	$L. = {[y - F. （ X. ）]}^{2} ．$

算法

崩溃

观察权重

对于分类问题，如果已知先前的概率分布（换句话说，先前分配不是经验），损失将观察权重标准化，以总和在相应类中的现有类概率。此操作意味着默认情况下观察权重是相应的先前类概率。

对于回归问题或先前的概率分布是经验的，软件将指定的观察权重标准化为每次调用时总和为1损失．

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和C ++代码。

使用注意事项及限制:

使用saveLearnerForCoder那loadLearnerForCoder，和codegen(MATLAB编码器)为此生成代码损失函数。通过使用保存一个训练过的模型saveLearnerForCoder．定义通过使用加载保存的模型的入口点函数loadLearnerForCoder并调用损失函数。然后使用codegen为入口点函数生成代码。
要为丢失生成单精度C / C ++代码，请指定名称值参数“数据类型”、“单”当你打电话的时候loadLearnerForCoder函数。

这个表格包含关于的参数的注释损失．表中未包含的参数完全支持。万博1manbetx

争论	注意和局限性
`MDL.`	对于模型对象的使用说明和限制，请参阅`incrementallassificeLifear.`或`incrementalregressionlinear.`．
`X.`	批量到批处理，观测的数量可以是可变的大小，但必须等于观察次数`y`．预测变量的数量必须等于`Mdl。NumPredictors`． `X.`必须是`单`或`双`．
`y`	批量到批处理，观测的数量可以是可变的大小，但必须等于观察次数`X.`．对于分类问题，所有标签`y`必须在`mdl.classnames.`． `y`和`mdl.classnames.`必须具有相同的数据类型。
`“LossFun”`	指定的函数不能是匿名功能。

如果您配置MDL.播放数据（mdl.shffle.是真实,或Mdl。S.olver是'SGD'或'ASGD'),损失函数在将模型拟合到这批之前，将每批传入的观测数据随机打乱。打乱的观测结果的顺序可能与MATLAB生成的顺序不匹配^®．因此，如果你适合MDL.在计算丢失之前，MATLAB中计算的损失和由生成的代码计算的丢失可能不相等。
为所有浮点输入参数和对象属性使用同质数据类型，具体而言单或双．

有关更多信息，请参见代码生成简介．

另请参阅

对象

incrementallassificeLifear.|incrementalregressionlinear.

功能

适合|预测|UpdateMetrics.|updatemetricsandfit.

主题

在R2020B中介绍

损失

语法

描述

例子

衡量增量学习期间的模型性能

计算传入数据块的自定义损失

输入参数

`MDL.`-增量学习模型
`incrementallassificeLifear.`模型对象|`incrementalregressionlinear.`模型对象

`X.`-批量预测器数据
浮点矩阵

`y`-批标签
分类阵列|字符数组|字符串数组|逻辑向量|浮点矢量|字符向量的单元格数组

名称值对参数

`“LossFun”`-损失函数
字符串向量|功能手柄|细胞矢量|结构阵列|……

`'观察'`-预测数据观测维数
`'行'`(默认)|`'列'`

`'重量'`-批次观察权重
浮点正数向量

输出参数

`L.`-分类或回归损失
数字标量

更多关于

分类损失

回归损失

算法

观察权重

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和C ++代码。

另请参阅

对象

功能

主题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

损失

语法

描述

例子

衡量增量学习期间的模型性能

计算传入数据块的自定义损失

输入参数

MDL.-增量学习模型incrementallassificeLifear.模型对象|incrementalregressionlinear.模型对象

X.-批量预测器数据浮点矩阵

y-批标签分类阵列|字符数组|字符串数组|逻辑向量|浮点矢量|字符向量的单元格数组

名称值对参数

“LossFun”-损失函数字符串向量|功能手柄|细胞矢量|结构阵列|……

'观察'-预测数据观测维数'行'(默认)|'列'

'重量'-批次观察权重浮点正数向量

输出参数

L.-分类或回归损失数字标量

更多关于

分类损失

回归损失

算法

观察权重

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和C ++代码。

另请参阅

对象

功能

主题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

`MDL.`-增量学习模型
`incrementallassificeLifear.`模型对象|`incrementalregressionlinear.`模型对象

`X.`-批量预测器数据
浮点矩阵

`y`-批标签
分类阵列|字符数组|字符串数组|逻辑向量|浮点矢量|字符向量的单元格数组

`“LossFun”`-损失函数
字符串向量|功能手柄|细胞矢量|结构阵列|……

`'观察'`-预测数据观测维数
`'行'`(默认)|`'列'`

`'重量'`-批次观察权重
浮点正数向量

`L.`-分类或回归损失
数字标量

C / c++代码生成
使用MATLAB®Coder™生成C和C ++代码。