更新线性模型中的性能指标,以提供新的数据进行增量学习
给定流数据,updateMetrics
衡量线性回归的配置增量学习模型的性能(incrementalRegressionLinear
对象)或线性二元分类(incrementalClassificationLinear
对象)。updateMetrics
将性能指标存储在输出模型中。
updateMetrics
允许灵活的增量学习。在调用函数来更新传入数据块上的模型性能度量之后,您可以在将模型训练为数据之前执行其他操作。例如,您可以根据模型在数据块上的性能来决定是否需要训练模型。或者,您可以在一次调用中更新模型性能度量,并在数据到达时对模型进行训练updateMetricsAndFit
函数。
要在指定的数据批处理上度量模型性能,调用损失
代替。
训练二元分类的线性模型fitclinear
,将其转换为增量学习器,然后跟踪其性能到流数据。
加载和预处理数据
加载人类活动数据集。随机打乱数据。
负载humanactivityrng (1);%用于重现性N = numel(actid);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。
反应可以是五种类型中的一种:坐、站、走、跑或跳舞。通过判断被试者是否在移动(actid
> 2)。
Y = Y > 2;
二元分类的训练线性模型
对一半数据的随机样本拟合二元分类的线性模型。
Idxtt = randsample([true false],n,true);TTMdl = fitclinear(X(idxtt,:),Y(idxtt))
TTMdl = ClassificationLinear ResponseName: 'Y' ClassNames: [0 1] ScoreTransform: 'none' Beta: [60x1 double]偏差:-0.3965 Lambda: 8.2967e-05学习者:'svm'属性,方法
TTMdl
是一个ClassificationLinear
模型对象表示传统训练的二元分类线性模型。
转换训练模型
将传统训练的分类模型转换为增量学习的二元分类线性模型。
IncrementalMdl =增量学习者(TTMdl)
IncrementalMdl = incrementalClassificationLinear IsWarm: 1 Metrics: [1x2 table] ClassNames: [0 1] ScoreTransform: 'none' Beta: [60x1 double]偏差:-0.3965学习者:'svm'属性,方法
IncrementalMdl。IsWarm
ans =逻辑1
增量模式是温暖的。因此,updateMetrics
可以跟踪给定数据的模型性能指标。
跟踪绩效指标
方法跟踪其余数据上的模型性能updateMetrics
函数。通过一次处理50个观察数据来模拟数据流。在每次迭代中:
调用updateMetrics
更新模型的累积分类误差和窗口分类误差。覆盖前面的增量模型以更新中的损失指标
财产。注意,该函数并没有使模型适合数据块—数据块是模型的“新”数据。
存储分类误差和第一系数 .
%预先配置Idxil = ~idxtt;Nil = sum(idxil);numObsPerChunk = 50;nchunk =地板(nil/numObsPerChunk);Ce = array2table(0 (nchunk,2),“VariableNames”,[“累积”“窗口”]);beta1 = [IncrementalMdl.Beta(1);0 (nchunk 1)];Xil = X(idxil,:);Yil = Y(idxil);%增量拟合为j = 1:nchunk ibegin = min(nil,numObsPerChunk*(j-1) + 1);iend = min(nil,numObsPerChunk*j);Idx = ibegin:iend;IncrementalMdl = updateMetrics(IncrementalMdl,Xil(idx,:),Yil(idx));ce{j,:} = IncrementalMdl。指标{“ClassificationError”,:};beta1(j + 1) = IncrementalMdl.Beta(1);结束
IncrementalMdl
是一个incrementalClassificationLinear
跟踪模型性能到数据流中的观察结果的模型对象。
绘制性能指标和估计系数的轨迹图 .
图;subplot(2,1,1) h = plot(ce.Variables);xlim ([0 nchunk]);ylabel (分类错误的(h,ce.Properties.VariableNames) subplot(2,1,2) plot(beta1) ylabel(“\ beta_1”) xlim([0 nchunk]);包含(“迭代”)
累积损耗是稳定的,而窗口损耗是跳变的。
不会改变是因为updateMetrics
不能将模型与数据相匹配。
为二元分类建立增量线性支持向量机模型。指定5000个观测值的估计周期和SGD求解器。
Mdl = incrementalClassificationLinear“EstimationPeriod”, 5000,“规划求解”,“sgd”)
Mdl = incrementalClassificationLinear IsWarm: 0 Metrics: [1x2 table] ClassNames: [1x0 double] ScoreTransform: 'none' Beta: [0x1 double] Bias: 0 Learner: 'svm'属性,方法
Mdl
是一个incrementalClassificationLinear
模型。它的所有属性都是只读的。
通过查询模型属性,确定模型是否温暖,以及度量预热周期的大小。
isWarm = Mdl。IsWarm
isWarm =逻辑0
mwp = Mdl。指标WarmupPeriod
MWP = 1000
Mdl。IsWarm
是0;
因此,Mdl
不是温暖。
确定观测量的增量拟合函数,如适合
,必须在测量模型的性能之前处理。
numObsBeforeMetrics = Mdl。MetricsWarmupPeriod + Mdl。EstimationPeriod
numObsBeforeMetrics = 6000
加载人类活动数据集。随机打乱数据。
负载humanactivityN = numel(actid);rng (1)%用于重现性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。
反应可以是五种类型中的一种:坐、站、走、跑或跳舞。通过判断被试者是否在移动(actid
> 2)。
Y = Y > 2;
进行增量学习。在每次迭代中,执行以下操作:
通过处理50个观察数据块来模拟数据流。
在传入的块上度量模型性能度量updateMetrics
.覆盖输入模型。
使模型适合传入的块。覆盖输入模型。
商店 以及错误分类错误率来观察它们在增量学习中是如何进化的。
%预先配置numObsPerChunk = 50;nchunk = floor(n/numObsPerChunk);Ce = array2table(0 (nchunk,2),“VariableNames”,[“累积”“窗口”]);Beta1 = 0 (nchunk,1);%增量拟合为j = 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,:} = Mdl。指标{“ClassificationError”,:};Mdl = fit(Mdl,X(idx,:),Y(idx));beta1(j) = Mdl.Beta(1);结束
IncrementalMdl
是一个incrementalClassificationLinear
对流中的所有数据进行训练的模型对象。
要了解在增量学习过程中参数是如何演变的,可以将它们绘制在单独的子图上。
图;Subplot (2,1,1) plot(beta1) ylabel(“\ beta_1”)参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。);包含(“迭代”)轴紧次要情节(2,1,2)情节(ce.Variables);ylabel (“ClassificationError”)参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。);参照线(numObsBeforeMetrics / numObsPerChunk,“g -”。);包含(“迭代”) xlim([0 nchunk]);传奇(ce.Properties.VariableNames)
mdlIsWarm = numObsBeforeMetrics/numObsPerChunk
mdlIsWarm = 120
情节表明适合
在估计期之后才将模型与数据拟合或更新参数。同时,updateMetrics
直到估计和度量预热期(120块)之后才跟踪分类错误。
只有当线性回归模型的性能下降时才递增地训练它。
加载和洗牌2015年纽约市住房数据集。有关数据的更多详细信息,请参见纽约开放数据.
负载NYCHousing2015rng (1)%用于重现性n = size(NYCHousing2015,1);shuffle = randsample(n,n);NYCHousing2015 = NYCHousing2015(shuffidx,:);
提取响应变量SALEPRICE
从桌子上。为了数值的稳定性,刻度SALEPRICE
通过1 e6
.
Y = nychousing2015 . sales /1e6;NYCHousing2015。销售价= [];
从分类预测器创建虚拟变量矩阵。
Catvars = [“区”“BUILDINGCLASSCATEGORY”“社区”];dumvarstbl = varfun(@(x)dummyvar(category (x)),NYCHousing2015,...“数据源”, catvars);Dumvarmat = table2array(dumvarstbl);NYCHousing2015(:,catvars) = [];
将表中所有其他数值变量视为销售价格的线性预测因子。将虚拟变量矩阵连接到其余的预测数据,并对数据进行转置,以加快计算速度。
idxnum = varfun(@isnumeric,NYCHousing2015,“OutputFormat”,“统一”);X = [dumvarmat NYCHousing2015{:,idxnum}]';
为增量学习配置一个线性回归模型,这样它就没有估计或度量的预热期。指定度量窗口大小为1000个观察值。将配置的模型与前100个观测值相匹配,并指定观测值沿数据列方向排列。
Mdl = incrementalRegressionLinear(“EstimationPeriod”0,“MetricsWarmupPeriod”0,...“MetricsWindowSize”, 1000);numObsPerChunk = 100;Mdl = fit(Mdl,X(:,1:numObsPerChunk),Y(1:numObsPerChunk),“ObservationsIn”,“列”);
Mdl
是一个incrementalRegressionLinear
模型对象。
执行增量学习,使用条件拟合,对每次迭代执行以下步骤:
通过处理100个观察数据块来模拟数据流。
在200观察窗口内,通过计算epsilon不敏感损失来更新模型性能。指定观察值沿数据列方向排列。
只有当损失是所经历的最小损失的两倍以上时,才对数据块进行模型拟合。指定观察值沿数据列方向排列。
在跟踪性能和拟合时,覆盖以前的增量模型。
存储不敏感损耗和 观察损耗和系数在训练过程中的变化。
跟踪时适合
训练模型。
%预先配置n = numel(Y) - numObsPerChunk;nchunk = floor(n/numObsPerChunk);Beta313 = 0 (nchunk,1);Ei = array2table(nan(nchunk,2),“VariableNames”,[“累积”“窗口”]);训练有素= false(nchunk,1);%增量拟合为j = 2:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min(n,numObsPerChunk*j);Idx = ibegin:iend;Mdl = updateMetrics(Mdl,X(:,idx),Y(idx),“ObservationsIn”,“列”);ei{j,:} = Mdl。指标{“EpsilonInsensitiveLoss”,:};Minei = min(ei{:,2});Pdiffloss = (ei{j,2} - minei)/minei*100;如果pdiffloss > 100 Mdl = fit(Mdl,X(:,idx),Y(idx),“ObservationsIn”,“列”);受训(j) = true;结束beta313(j) = Mdl.Beta(end);结束
Mdl
是一个incrementalRegressionLinear
对流中的所有数据进行训练的模型对象。
看看模型的性能和 在训练中进化出来的,把它们画在单独的副图上。
Subplot (2,1,1) plot(beta313) hold住在情节(找到(训练),beta313(训练),“r”。) ylabel (“\ beta_”{313})参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。);传奇(“\ beta_”{313},培训发生的,“位置”,“东南”)举行从subplot(2,1,2)“爱扑塞隆不敏感损失”)参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。);包含(“迭代”传奇(ei.Properties.VariableNames)
的迹图 显示恒定值的周期,在此期间损失没有从最小经验翻倍。
Mdl
- - - - - -绩效测量的增量学习模型incrementalClassificationLinear
模型对象|incrementalRegressionLinear
模型对象增量学习模型的性能被测量,指定为incrementalClassificationLinear
或incrementalRegressionLinear
模型对象。你可以创建Mdl
直接或通过转换一个受支持的,传统训练的机器学习模型使用万博1manbetxincrementalLearner
函数。有关更多详细信息,请参见相应的参考页面。
如果Mdl。IsWarm
是假
,updateMetrics
不跟踪模型的性能。你必须合身Mdl
来Mdl。EstimationPeriod + Mdl。MetricsWarmupPeriod
通过观察Mdl
数据是适合
之前updateMetrics
可以跟踪性能指标。有关更多细节,请参见算法.
X
- - - - - -大块预测数据用于度量模型性能的预测数据块,指定为的浮点矩阵n观察和Mdl。NumPredictors
预测变量。的值“ObservationsIn”
名值对参数决定变量和观察值的方向。
观察标签的长度Y
观察到的数量X
必须是平等的;Y (
是观察的标签吗j(行或列)在j
)X
.
请注意
数据类型:单
|双
Y
- - - - - -标签块请注意
如果观察(预测器或标签)或权重重量
包含至少一个缺失的(南
)的值,updateMetrics
忽略观察结果。因此,updateMetrics
使用少于n计算模型性能的观察结果。
指定逗号分隔的可选对名称,值
参数。的名字
参数名称和价值
对应的值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
“ObservationsIn”、“列”、“重量”,W
指定预测器矩阵的列对应于观察值和向量W
包含在增量学习过程中应用的观察权重。
Mdl
-更新增量学习模式incrementalClassificationLinear
模型对象|incrementalRegressionLinear
模型对象更新的增量学习模型,作为与输入模型具有相同数据类型的增量学习模型对象返回Mdl
,要么incrementalClassificationLinear
或incrementalRegressionLinear
.
如果模型不是热的,updateMetrics
不计算性能指标。结果,指标
的属性Mdl
仍然完全由南
值。如果模型是温的,updateMetrics
计算新数据上的累积和窗口性能指标X
而且Y
的对应元素Mdl。指标
.输入模型的所有其他属性Mdl
转到输出模型Mdl
.有关更多细节,请参见算法.
与传统训练不同,增量学习可能没有单独的测试集。因此,要将每个传入的数据块视为一个测试集,将增量模型和每个传入的数据块传递给updateMetrics
在训练模型之前使用相同的数据适合
.
updateMetrics
中表的行标签指定的仅跟踪模型性能指标Mdl。指标
,从新数据时的增量模型温暖的(IsWarm
属性是真正的
).增量模型是暖后的适合
函数适合增量模型Mdl。MetricsWarmupPeriod
观察,也就是指标预热期.
如果Mdl。EstimationPeriod
> 0,函数在模型拟合数据之前估计超参数。因此,函数必须处理附加的EstimationPeriod
模型开始度量预热期之前的观察。
的指标
属性将每个性能指标的两种形式存储为表的变量(列),累积
而且窗口
,将单个指标按行排列。当增量模型是温暖的,updateMetrics
以以下频率更新指标:
累积
-该函数计算自模型性能跟踪开始以来的累积度量。每次调用该函数时,该函数都会更新度量,并基于整个提供的数据集进行计算。
窗口
函数根据窗口内的所有观察结果计算指标Mdl。MetricsWindowSize
财产。Mdl。MetricsWindowSize
还决定软件更新的频率窗口
指标。例如,如果Mdl。MetricsWindowSize
为20,该函数根据所提供数据中的最近20个观察结果计算指标(X((end - 20 + 1):end,:)
而且Y((end - 20 + 1):end)
).
跟踪窗口内性能指标的增量函数使用以下过程:
对于每个指定的度量,存储一个长度的缓冲区Mdl。MetricsWindowSize
和一个观察权重的缓冲。
根据批量传入的观察数据,用模型性能填充度量缓冲区的元素,并在权重缓冲区中存储相应的观察权重。
当缓冲区被填满时,重写Mdl.Metrics.Window
使用指标窗口中的加权平均性能。如果在函数处理一批观察时缓冲区被填满,则最新传入的Mdl。MetricsWindowSize
观测数据进入缓冲区,最早的观测数据从缓冲区中删除。例如,假设Mdl。MetricsWindowSize
为20时,指标缓冲区有10个值来自先前处理的批处理,15个值是传入的。为了组成长度为20的窗口,该函数使用来自15个传入观察的测量值和来自前一批的最新5个测量值。
对于分类问题,如果先验类概率分布已知(换句话说,先验分布不是经验的),updateMetrics
将观察权重归一化,使之与各自类中的先验类概率相加。这个动作意味着,默认情况下,观察权重是各自的先验类概率。
对于回归问题,或者如果先验类概率分布是经验的,软件将指定的观察权重归一化,每次调用时总和为1updateMetrics
.
使用注意事项和限制:
使用saveLearnerForCoder
,loadLearnerForCoder
,codegen
(MATLAB编码器)来生成的代码updateMetrics
函数。保存一个训练过的模型saveLearnerForCoder
.定义一个入口点函数,用于加载保存的模型loadLearnerForCoder
并调用updateMetrics
函数。然后使用codegen
为入口点函数生成代码。
要为updateMetrics生成单精度的C/ c++代码,请指定name-value参数“数据类型”、“单”
当你打电话给loadLearnerForCoder
函数。
该表包含关于的参数的注释updateMetrics
.该表中未包含的参数完全支持。万博1manbetx
论点 | 注意事项和限制 |
---|---|
|
有关模型对象的使用说明和限制,请参见 |
|
|
|
|
适用的限制如下:
如果你配置Mdl
打乱数据(Mdl。洗牌
是真正的
,或Mdl。解算器
是“sgd”
或“asgd”
),updateMetrics
函数在将模型与批次匹配之前,随机打乱每个传入的观察批次。打乱后的观测顺序可能与MATLAB生成的顺序不匹配®.因此,如果你适合Mdl
在更新性能指标之前,在MATLAB中计算的指标和用生成的代码计算的指标可能不相等。
对所有浮点输入参数和对象属性使用同构数据类型单
或双
.
有关更多信息,请参见代码生成简介.
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
您也可以从以下列表中选择网站:
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。