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金宝app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.
incrementalClassificationLinear |
增量学习的二元分类线性模型 |
incrementalClassificationNaiveBayes |
增量学习的朴素贝叶斯分类模型 |
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。
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二元分类的增量学习和前置评估。
利用灵活的工作流程实现二元分类的增量学习和前置评估。
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。
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。
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。
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。