incrementalDriftAwareLearner
描述
incrementalDriftAwareLearner创建一个incrementalDriftAwareLearner模型对象,它包含一个增量分类或回归学习者和增量概念漂移探测器提供一个自动调节的增量的机器学习模型。incrementalDriftAwareLearner万博1manbetx支持所有增量学习的分类和回归模型和概念漂移检测方法支持的统计和机器学习的工具箱™。
与大多数统计和机器学习工具箱模型对象,incrementalDriftAwareLearner可以直接调用。当你创建一个incrementalDriftAwareLearner对象,它是准备增量drift-aware学习。
incrementalDriftAwareLearner最适合增量学习,适应概念漂移。传统方式批量漂移检测,看看detectdrift。
创建
您可以创建一个incrementalDriftAwareLearner模型对象在以下方式:
发起一个增量分类或回归学习者使用任何增量学习。通过增量学习模型作为输入调用
incrementalDriftAwareLearner。例如,BaseLearner = incrementalClassificationLinear ();Mdl = incrementalDriftAwareLearner (BaseLearner);
发起一个增量分类或回归学习者使用任何增量学习。发起一个增量的概念漂移探测器使用
incrementalConceptDriftDetector。通过增量学习模型和概念漂移探测器作为输入调用incrementalDriftAwareLearner。例如,BaseLearner = incrementalRegressionKernel ();DDM = incrementalConceptDriftDetector (“ddm”);Mdl = incrementalDriftAwareLearner (BaseLearner DriftDetector = DDM);
语法
描述
Mdl= incrementalDriftAwareLearner (BaseLearner)Mdl与默认增量学习模型参数和默认漂移探测器。
Mdl= incrementalDriftAwareLearner (BaseLearner,名称=值)incrementalDriftAwareLearner (BaseLearner DriftDetector = CDDetector TrainingPeriod = 1000)指定了概念漂移探测器作为一个预定义的CDDetector并设置培训期间1000观察。
输入参数
属性
对象的功能
适合 |
火车drift-aware学习者与新数据增量学习 |
损失 |
回归或分类错误的增量drift-aware学习者 |
perObservationLoss |
每观察回归或分类错误的增量drift-aware学习者 |
预测 |
从增量drift-aware学习模型预测反应的新观察 |
重置 |
重置增量drift-aware学习者 |
updateMetrics |
更新性能指标增量drift-aware学习模型得到新的数据 |
updateMetricsAndFit |
更新性能指标增量drift-aware学习模型给出新的数据和训练模式 |
例子
创建增量Drift-Aware学习者没有任何先验信息
加载数据集人类活动。随机洗牌数据。
负载humanactivity;n =元素个数(actid);rng (1)%的再现性idx = randsample (n, n);
细节的数据集,输入描述在命令行中。
定义预测和响应变量。
X =壮举(idx:);Y = actid (idx);
响应可以是五类:坐着,站着,散步,跑步,或者跳舞。二分响应通过识别主题是否移动(actid > 2)。
Y = Y > 2;
下半年翻转标签的数据集来模拟漂移。
Y(地板(元素个数(Y) / 2):,:) = ~ Y(地板(元素个数(Y) / 2):,:);
启动一个默认增量drift-aware模型分类如下:
创建一个默认为二进制增量线性支持向量机模型的分类。
启动一个默认增量drift-aware模型使用增量线性支持向量机模型。
incMdl = incrementalClassificationLinear ();idaMdl = incrementalDriftAwareLearner (incMdl);
idaMdl是一个incrementalDriftAwareLearner模型。所有的属性是只读的。
Preallocate变量的数量在每个块创建一个流数据和变量来存储分类错误。
numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);ce = array2table (0 (nchunk, 2),“VariableNames”,(“累积”“窗口”]);
Preallocate变量跟踪漂移状态。
状态= 0 (nchunk, 1);statusname =字符串(nchunk, 1);
模拟数据流与传入的50块的观察。在每一次迭代:
调用
updateMetricsAndFit更新的性能指标和适应drift-aware模型输入数据。覆盖前面的增量式模型与新的。存储和每个迭代分类累积误差
ce。的指标的属性idaMdl存储和窗口分类累积误差,在每次迭代更新。
为j = 1: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;idaMdl = updateMetricsAndFit (idaMdl X (idx:), Y (idx));statusname (j) =字符串(idaMdl.DriftStatus);如果idaMdl。漂移Detected status(j) = 2;elseifidaMdl。警告Detected status(j) = 1;其他的状态(j) = 0;结束ce {j:} = idaMdl.Metrics {“ClassificationError”,:};结束
的updateMetricsAndFit函数首先评估模型的性能通过调用updateMetrics输入数据,然后通过调用数据模型相吻合适合:
的updateMetrics功能评估模型的性能处理传入的观察。函数写入指定的指标,测量累计和在指定窗口的观察,处理的指标模型属性。
的适合功能符合模型通过更新基础学习者和监测漂移传入批数据。当你打电话适合,软件执行以下程序:
火车模型
NumTrainingObservations观察。训练后,软件开始跟踪模型损失是否发生任何概念漂移,并相应地更新漂移状态。
当漂移状态
警告,软件列车临时模型来代替BaseLearner在准备即将到来的漂移。当漂移状态
漂移、临时模型取代了BaseLearner。当漂移状态
稳定的,暂时丢弃的软件模型。
有关更多信息,请参见算法部分。
情节的累积和每个窗口分类错误。标志着热身和训练时间,介绍了漂移。
h =情节(ce.Variables);xlim ([0 nchunk]) ylabel (“分类错误”)包含(“迭代”)参照线(idaMdl.MetricsWarmupPeriod / numObsPerChunk,“g -。”,“热身期”线宽= 1.5)参照线(idaMdl.TrainingPeriod / numObsPerChunk,“b -。”,“培训”LabelVerticalAlignment =“中间”、线宽= 1.5)参照线(地板(元素个数(Y) / 2) / numObsPerChunk,“m——”,“漂移”LabelVerticalAlignment =“中间”传说,线宽= 1.5)(h, ce.Properties.VariableNames)传说(h,位置=“最佳”)
情节漂移状态和迭代数。
图()gscatter (1: nchunk,状态、statusname“巨磁电阻”,“*牛”(4 5 5),“上”,“迭代”,“漂移”状态,“填充”)
计算性能指标和监控概念漂移
创建随机概念和概念漂移数据生成器使用辅助函数,HelperSineGenerator和HelperConceptDriftGenerator,分别。
concept1 = HelperSineGenerator (ClassificationFunction = 1, IrrelevantFeatures = true, TableOutput = false);concept2 = HelperSineGenerator (ClassificationFunction = 3, IrrelevantFeatures = true, TableOutput = false);driftGenerator = HelperConceptDriftGenerator (concept1 concept2, 15000, 1000);
当ClassificationFunction是1,HelperSineGenerator标签所有点满足x1<sin (x2)1,否则函数标签为0。当ClassificationFunction3,这是逆转。也就是说,HelperSineGenerato所有的点以满足r标签x1> =sin (x2)1,否则函数标签0 [2]。使用的软件返回矩阵中的数据增量的学习者。
HelperConceptDriftGenerator建立了概念漂移。对象使用一个s形的函数1. / (1 + exp (4 * (numobservations-position)。/宽度))决定选择第一个流的概率在生成数据[3]。在这种情况下,位置参数是15000,宽度参数是1000。随着观测超过数量的位置值减去一半的宽度,从第一个流的概率抽样生成数据时减少。乙状结肠函数允许从一个流平稳过渡到另一个。更大的宽度值表明一个更大的过渡时期,流大约同样有可能被选中。
发起一个增量drift-aware模型分类如下:
创建一个二进制增量朴素贝叶斯分类模型的分类。
发起一个增量的概念漂移探测器使用霍夫丁范围漂移的检测方法与移动平均线(HDDMA)。
使用增量线性模型和概念漂移探测器,启动增量drift-aware模型。指定培训期间为5000年观测。
BaseLearner = incrementalClassificationNaiveBayes (MaxNumClasses = 2,指标=“classiferror”);dd = incrementalConceptDriftDetector (“hddma”);理想= incrementalDriftAwareLearner (BaseLearner DriftDetector = dd, TrainingPeriod = 5000);
Preallocate每个块中的变量和用于创建数据流的迭代次数。
numObsPerChunk = 10;numIterations = 4000;
Preallocate跟踪漂移状态变量和漂移时间,和存储分类错误。
dstatus = 0 (numIterations, 1);statusname =字符串(numIterations, 1);driftTimes = [];ce = array2table (0 (numIterations, 2), VariableNames = [“累积”“窗口”]);
模拟数据流与传入的10块观察每执行增量drift-aware学习。在每一次迭代:
模拟预测数据和标签和更新
driftGenerator使用辅助函数hgenerate。调用
updateMetricsAndFit更新性能指标和适应增量drift-aware模型传入的数据。跟踪和记录漂移状态和分类误差可视化的目的。
rng (12);%的再现性为j = 1: numIterations%生成数据(driftGenerator, X, Y) = hgenerate (driftGenerator numObsPerChunk);%更新性能指标和健康理想= updateMetricsAndFit(理想,X, Y);%记录漂移状态和分类错误statusname (j) =字符串(idal.DriftStatus);ce {j:} = idal.Metrics {“ClassificationError”,:};如果的理想。漂移Detected dstatus(j) = 2;elseif的理想。WarningDetected dstatus (j) = 1;其他的dstatus (j) = 0;结束如果的理想。漂移Detected driftTimes(end+1) = j;结束结束
情节的累积和每个窗口分类错误。标志着热身和训练时间,介绍了漂移。
h =情节(ce.Variables);numIterations xlim ([0]) ylim (0.22 [0]) ylabel (“分类错误”)包含(“迭代”)参照线(idal.MetricsWarmupPeriod / numObsPerChunk,“g -。”,“热身期”线宽= 1.5)参照线(idal.MetricsWarmupPeriod / numObsPerChunk + driftTimes,“g -。”,“热身期”线宽= 1.5)参照线(idal.TrainingPeriod / numObsPerChunk,“b -。”,“培训”LabelVerticalAlignment =“中间”线宽= 1.5)参照线(driftTimes“m——”,“漂移”LabelVerticalAlignment =“中间”传说,线宽= 1.5)(h, ce.Properties.VariableNames)传说(h,位置=“最佳”)
的updateMetricsAndFit函数首先评估模型的性能通过调用updateMetrics输入数据,然后通过调用数据模型相吻合适合:
的updateMetrics功能评估模型的性能处理传入的观察。函数写入指定的指标,测量累计和在指定窗口的观察,处理的指标模型属性。
的适合功能符合模型通过更新基础学习者和监测漂移传入批数据。当你打电话适合,软件执行以下程序:
火车模型
NumTrainingObservations观察。训练后,软件开始跟踪模型损失是否发生任何概念漂移,并相应地更新漂移状态。
当漂移状态
警告,软件列车临时模型来代替BaseLearner在准备即将到来的漂移。当漂移状态
漂移、临时模型取代了BaseLearner。当漂移状态
稳定的,暂时丢弃的软件模型。
有关更多信息,请参见算法部分。
情节漂移状态和迭代数。
gscatter (1: numIterations dstatus statusname,“巨磁电阻”,“o”5,“上”,“迭代”,“漂移”状态,“填充”)
监测回归模型的概念漂移
创建随机概念数据和概念漂移生成器使用辅助函数HelperRegrGenerator和HelperConceptDriftGenerator,分别。
concept1 = HelperRegrGenerator (NumFeatures = 100, NonZeroFeatures =[1、20、40、50, 55岁),…FeatureCoefficients = (4、5、10、2、6], NoiseStd = 1.1, TableOutput = false);concept2 = HelperRegrGenerator (NumFeatures = 100, NonZeroFeatures =[10年,20年,45岁,56岁,80),…FeatureCoefficients = (4、5、10、2、6], NoiseStd = 1.1, TableOutput = false);driftGenerator = HelperConceptDriftGenerator (concept1 concept2, 15000, 1000);
HelperRegrGenerator生成流数据使用的特性和功能对回归系数在调用函数中指定。在每个步骤中,函数样本来自正态分布的预测。然后,使用功能的函数计算响应系数和预测价值和添加一个正态分布的随机噪声平均值为零且指定噪声标准差。使用的软件返回矩阵中的数据增量的学习者。
HelperConceptDriftGenerator建立了概念漂移。对象使用一个s形的函数1. / (1 + exp (4 * (numobservations-position)。/宽度))决定选择第一个流的概率在生成数据[3]。在这种情况下,位置参数是15000,宽度参数是1000。随着观测超过数量的位置值减去一半的宽度,从第一个流的概率抽样生成数据时减少。乙状结肠函数允许从一个流平稳过渡到另一个。更大的宽度值表明一个更大的过渡时期,流大约同样有可能被选中。
发起一个增量drift-aware回归模型如下:
创建一个增量的线性回归模型。指定线性回归模型类型和解决者类型。
发起一个增量的概念漂移探测器使用霍夫丁范围漂移的检测方法与移动平均线(HDDMA)。
使用增量线性模型和概念漂移探测器,实例化一个增量drift-aware模型。指定培训期间为6000年观测。
baseMdl = incrementalRegressionLinear(学习者=“leastsquares”解算器=“sgd”EstimationPeriod = 1000,标准化= false);dd = incrementalConceptDriftDetector (“hddma”选择=“更大的”InputType =“连续”WarmupPeriod = 1000);理想= incrementalDriftAwareLearner (baseMdl DriftDetector = dd, TrainingPeriod = 6000);
Preallocate每个块中的变量和用于创建数据流的迭代次数。
numObsPerChunk = 10;numIterations = 4000;
Preallocate跟踪漂移状态变量和漂移时间,和储存回归错误。
dstatus = 0 (numIterations, 1);statusname =字符串(numIterations, 1);driftTimes = [];ce = array2table (0 (numIterations, 2), VariableNames = [“累积”“窗口”]);
模拟数据流与传入的10块观察每执行增量drift-aware学习。在每一次迭代:
模拟预测数据和标签,并更新漂移发生器使用helper函数
hgenerate。调用
updateMetricsAndFit更新性能指标和适应增量drift-aware模型传入的数据。跟踪和记录漂移状态和回归误差可视化的目的。
rng (12);%的再现性为j = 1: numIterations%生成数据(driftGenerator, X, Y) = hgenerate (driftGenerator numObsPerChunk);%更新性能指标和健康理想= updateMetricsAndFit(理想,X, Y);%漂移状态和回归错误记录statusname (j) =字符串(idal.DriftStatus);ce {j:} = idal.Metrics {“MeanSquaredError”,:};如果的理想。漂移Detected dstatus(j) = 2;elseif的理想。WarningDetected dstatus (j) = 1;其他的dstatus (j) = 0;结束如果的理想。漂移Detected driftTimes(end+1) = j;结束结束
绘制和每个窗口回归累积误差。标志着热身和训练时间,介绍了漂移。
h =情节(ce.Variables);xlim ([0 numIterations]) ylabel (“均方误差”)包含(“迭代”)参照线((idal.MetricsWarmupPeriod + idal.BaseLearner.EstimationPeriod) / numObsPerChunk,“g -。”,“热身期”线宽= 1.5)参照线(idal.TrainingPeriod / numObsPerChunk,“b -。”,“培训”LabelVerticalAlignment =“中间”线宽= 1.5)参照线(driftTimes“m——”,“漂移”LabelVerticalAlignment =“中间”传说,线宽= 1.5)(h, ce.Properties.VariableNames)传说(h,位置=“最佳”)
情节漂移状态和迭代数。
gscatter (1: numIterations dstatus statusname,“巨磁电阻”,“o”5,“上”,“迭代”,“漂移”状态,“填充”)
算法
引用
版本历史
介绍了R2022b
