增量学习

对流数据进行分类模型拟合，并跟踪其性能

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．

功能

全部展开

转换传统训练模型

线性二元分类模型

`incrementalLearner`	将二元分类支持向量机(SVM)模型转化为增量学习器金宝app
`incrementalLearner`	将线性二元分类模型转化为增量学习器

朴素贝叶斯模型

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

线性二元分类模型

`适合`	为增量学习训练线性模型
`updateMetrics`	更新性能指标在线性模型增量学习给定的新数据
`updateMetricsAndFit`	在线性模型中更新性能指标，为增量学习提供新的数据和训练模型

朴素贝叶斯模型

`适合`	训练用于增量学习的朴素贝叶斯分类模型
`updateMetrics`	在给定新数据的情况下，更新朴素贝叶斯分类模型的增量学习性能指标
`updateMetricsAndFit`	在给定新的数据和训练模型的情况下，更新朴素贝叶斯分类模型中用于增量学习的性能指标

其他模型操作

线性二元分类模型

`预测`	预测增量学习线性模型对新观测的响应
`损失`	批量数据增量学习的线性模型缺失

朴素贝叶斯模型

`预测`	预测增量学习的朴素贝叶斯分类模型对新观测的响应
`损失`	批量数据增量学习中朴素贝叶斯分类模型的缺失
`logp`	增量学习朴素贝叶斯分类模型的对数无条件概率密度

对象

`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