增量学习
增量学习或在线学习涉及处理来自数据流的传入数据,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结果是否被标记。增量学习问题与传统的机器学习方法形成对比,在传统的机器学习方法中,有足够的标记数据来拟合模型,执行交叉验证来调优超参数,并推断预测器分布特征。
增量学习需要一个配置好的增量模型。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受支持的传统训练模型转换万博1manbetx为增量学习器incrementalLearner
.在配置模型并设置数据流之后,您可以将增量模型与传入的数据块相匹配,跟踪模型的预测性能,或者同时执行这两种操作。
详情请参见增量学习概述.
您还可以增量地监视概念数据中的漂移,例如分类错误。首先,您需要使用配置漂移检测器incrementalConceptDriftDetector
.在设置数据流之后,您可以更新漂移检测器并检查使用的任何漂移detectdrift
.有关更多信息,请参阅参考页。
功能
Drift-Aware学习
创建增量漂移感知模型
incrementalDriftAwareLearner |
构造增量学习的漂移感知模型 |
增量拟合和跟踪性能
适合 |
训练有漂移意识的学习者使用新数据进行增量学习 |
updateMetrics |
根据新数据更新增量漂移感知学习模型中的性能指标 |
updateMetricsAndFit |
根据新的数据和训练模型,更新增量漂移感知学习模型中的性能指标 |
其他模型操作
损失 |
增量漂移感知学习器的回归或分类误差 |
perObservationLoss |
增量漂移感知学习器的观测回归或分类误差 |
预测 |
预测增量漂移感知学习模型对新观测的响应 |
重置 |
重置增量漂移感知学习器 |
核二进制分类
创建增量模型
incrementalClassificationKernel |
增量学习的二进制分类核模型 |
incrementalLearner |
将二进制分类的核模型转换为增量学习器 |
增量拟合和跟踪性能
适合 |
训练增量学习的核模型 |
updateMetrics |
在给定新数据的情况下更新内核增量学习模型中的性能指标 |
updateMetricsAndFit |
给出新的数据和训练模型,更新内核增量学习模型中的性能指标 |
其他模型操作
预测 |
预测内核增量学习模型对新观测的响应 |
损失 |
批数据上内核增量学习模型的丢失 |
perObservationLoss |
增量学习模型的观测分类误差 |
重置 |
重置增量分类模型 |
线性二元分类
创建增量模型
incrementalClassificationLinear |
增量学习的二元分类线性模型 |
incrementalLearner |
将二元分类支持向量机(SVM)模型转化为增量学习器万博1manbetx |
incrementalLearner |
将线性二元分类模型转化为增量学习器 |
增量拟合和跟踪性能
适合 |
为增量学习训练线性模型 |
updateMetrics |
在线性增量学习模型中根据新数据更新性能指标 |
updateMetricsAndFit |
在线性增量学习模型中,根据新的数据和训练模型更新性能指标 |
其他模型操作
预测 |
从线性增量学习模型预测新观测的响应 |
损失 |
线性增量学习模型对批量数据的损失 |
perObservationLoss |
增量学习模型的观测分类误差 |
重置 |
重置增量分类模型 |
多类ECOC分类
创建增量模型
incrementalClassificationECOC |
采用二元学习器进行增量学习的多类分类模型 |
incrementalLearner |
将多类纠错输出码(ECOC)模型转换为增量学习器 |
增量拟合和跟踪性能
适合 |
训练用于增量学习的ECOC分类模型 |
updateMetrics |
根据新数据更新ECOC增量学习分类模型的性能指标 |
updateMetricsAndFit |
更新ECOC增量学习分类模型中的性能指标,提供新的数据和训练模型 |
其他模型操作
预测 |
预测ECOC增量学习分类模型对新观测结果的响应 |
损失 |
批数据上ECOC增量学习分类模型的丢失 |
perObservationLoss |
增量学习模型的观测分类误差 |
重置 |
重置增量分类模型 |
朴素贝叶斯分类
创建增量模型
incrementalClassificationNaiveBayes |
增量学习的朴素贝叶斯分类模型 |
incrementalLearner |
将朴素贝叶斯分类模型转化为增量学习器 |
增量拟合和跟踪性能
适合 |
训练用于增量学习的朴素贝叶斯分类模型 |
updateMetrics |
在新数据下更新朴素贝叶斯增量学习分类模型的性能指标 |
updateMetricsAndFit |
在给定新的数据和训练模型的情况下,更新朴素贝叶斯增量学习分类模型的性能指标 |
其他模型操作
预测 |
预测朴素贝叶斯增量学习分类模型对新观测结果的响应 |
损失 |
批数据上朴素贝叶斯增量学习分类模型的缺失 |
logp |
增量学习朴素贝叶斯分类模型的对数无条件概率密度 |
perObservationLoss |
增量学习模型的观测分类误差 |
重置 |
重置增量分类模型 |
概念漂移检测
创建漂移检测器
incrementalConceptDriftDetector |
实例化增量概念漂移检测器 |
检测漂移和复位模型
detectdrift |
用新数据更新漂移检测器状态和漂移状态 |
重置 |
重置增量概念漂移检测器 |
对象
增量概念漂移探测器
DriftDetectionMethod |
采用DDM漂移检测方法的增量漂移检测器 |
HoeffdingDriftDetectionMethod |
利用Hoeffding边界漂移检测方法(HDDM)的增量概念漂移检测器 |
主题
- 增量学习概述
了解关于增量学习的基本概念,包括增量学习对象、函数和工作流。
- 配置增量学习模型
准备一个增量学习模型,用于在数据流上进行增量性能评估和训练。
- 使用简洁的工作流程实现分类的增量学习
使用简洁的工作流程实现二元分类的增量学习和前置评估。
- 使用灵活的工作流实现分类的增量学习
使用一个灵活的工作流程来实现增量学习的二元分类与前置评估。
- 从分类学习器训练的逻辑回归模型初始化增量学习模型
使用Classification Learner应用程序训练逻辑回归模型,然后使用估计的系数初始化二元分类的增量模型。
- 在增量学习中进行条件训练
利用灵活的工作流程,在增量学习过程中使用朴素贝叶斯多类分类模型实现条件训练。
- 增量地执行文本分类
这个例子展示了如何增量地训练一个模型来根据文档中的单词频率对文档进行分类;一个bag-of-words模型。
- 基于朴素贝叶斯和异构数据的增量学习
这个例子展示了如何使用朴素贝叶斯分类器为增量学习准备包含实值和分类测量的异构预测器数据。
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。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一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。