预测
描述
例子
指定观察方向和预测反应的新数据
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);idaMdl = incrementalDriftAwareLearner (baseMdl DriftDetector = dd, TrainingPeriod = 6000);
Preallocate每个块中的变量的数量和创建一个流的迭代次数的数据。
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
updateMetrics更新指标和性能适合适合增量drift-aware模型输入数据。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idaMdl = updateMetrics (idaMdl, X, Y);idaMdl =适合(idaMdl, X, Y);%漂移状态和回归错误记录statusname (j) =字符串(idaMdl.DriftStatus);ce {j:} = idaMdl.Metrics {“MeanSquaredError”,:};如果idaMdl。DriftDetected dstatus (j) = 2;driftTimes结束(+ 1)= j;elseifidaMdl。WarningDetected dstatus (j) = 1;其他的dstatus (j) = 0;结束结束
情节漂移状态和迭代数。
图()gscatter (1: numIterations, dstatus statusname,“巨磁电阻”,“o”5,“上”,“迭代”,“漂移”状态,“填充”)
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。
图()h =情节(ce.Variables);numIterations xlim ([0]) ylim (20 [0]) ylabel (“均方误差”)包含(“迭代”)参照线((idaMdl.MetricsWarmupPeriod + idaMdl.BaseLearner.EstimationPeriod) / numObsPerChunk,“g -。”,“估计期+预热期”线宽= 1.5)参照线((idaMdl.MetricsWarmupPeriod + idaMdl.BaseLearner.EstimationPeriod) / numObsPerChunk + driftTimes,“g -。”,“估计期+预热期”线宽= 1.5)参照线(idaMdl.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”)
漂移的检测后,适合函数调用的重置函数重置增量drift-aware学习者,因此基础学习者和漂移探测器。的updateMetrics函数等待idaMdl.BaseLearner.EstimationPeriod + idaMdl.MetricsWarmupPeriod观察再次开始更新模型的性能指标。
生成新的数据。调整列的预测变量。
(driftGenerator, X, Y) = hgenerate (driftGenerator, 500);X = X ';
预测新数据的反应。指定的方向预测变量。
yhat =预测(idaMdl X, ObservationsIn =“列”);
计算和绘制残差。
res = Y - yhat;情节(res) ylabel (“残差”)包含(“新数据点”)
残差出现对称遍布0为新数据。
预测类和得分计算分类新数据
创建随机概念数据使用HelperSineGenerator和概念漂移发电机HelperConceptDriftGenerator。
concept1 = HelperSineGenerator (“ClassificationFunction”,1“IrrelevantFeatures”,真的,“TableOutput”、假);concept2 = HelperSineGenerator (“ClassificationFunction”3,“IrrelevantFeatures”,真的,“TableOutput”、假);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,否则函数标签为0。
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[1]。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。
实例化一个增量drift-aware模型如下:
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,实例化一个增量drift-aware模型。指定培训期间为5000年观测。
BaseLearner = incrementalClassificationLinear(解决=“sgd”);dd = incrementalConceptDriftDetector (“hddma”);idaMdl = 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);ce = array2table (0 (numIterations, 2), VariableNames = [“累积”“窗口”]);driftTimes = [];
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idaMdl = updateMetricsAndFit (idaMdl, X, Y);%记录漂移状态和分类错误statusname (j) =字符串(idaMdl.DriftStatus);ce {j:} = idaMdl.Metrics {“ClassificationError”,:};如果idaMdl。DriftDetected dstatus (j) = 2;driftTimes结束(+ 1)= j;elseifidaMdl。WarningDetected dstatus (j) = 1;其他的dstatus (j) = 0;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 (0.08 [0]) ylabel (“分类错误”)包含(“迭代”)参照线((idaMdl.BaseLearner.EstimationPeriod + idaMdl.MetricsWarmupPeriod) / numObsPerChunk,“g -。”,“估计+预热期”线宽= 1.5)参照线(idaMdl.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”4“上”,“迭代”,“漂移”状态,“填充”)
生成新的数据500年的观察。预测类标签和分类得分为新数据。
numnewdata = 500;(driftGenerator, X, Y) = hgenerate (driftGenerator numnewdata);[yhat, cscores] =预测(idaMdl X);
计算ROC和阴谋的结果。
中华民国= rocmetrics (Y, cscores, idaMdl.BaseLearner.ClassNames);情节(中华民国)
对于每个类,情节功能块ROC曲线和标记显示一个实心圆模型操作点。传说显示类名和AUC值曲线。在二元分类问题,两条ROC曲线是对称的,AUC值是相同的。
计算模型的准确性。
精度= (Y = = yhat) / 500和
精度= 0.9820
该模型预测精度高的新类标签。
输入参数
输出参数
引用
版本历史
介绍了R2022b
