适合
火车线性模型的增量学习
描述
的适合线性回归函数符合配置增量学习模型(incrementalRegressionLinear(对象)或线性二元分类incrementalClassificationLinear流数据对象)。此外跟踪性能指标使用数据到达时,使用updateMetricsAndFit代替。
例子
逐步培养模型
创建一个默认为二进制增量线性支持向量机模型的分类。指定一个估计的5000年观察和SGD解算器。
Mdl = incrementalClassificationLinear (“EstimationPeriod”,5000,“规划求解”,“sgd”)
Mdl = incrementalClassificationLinear IsWarm: 0指标:[1 x2表]一会:[1 x0双]ScoreTransform:“没有一个”测试:[0 x1双]偏见:0学习者:“支持向量机”属性,方法
Mdl是一个incrementalClassificationLinear模型。所有的属性是只读的。
Mdl必须适合数据之前,您可以使用它来执行任何其他操作。
载入人类活动数据集。随机洗牌数据。
负载humanactivityn =元素个数(actid);rng (1)%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
细节的数据集,输入描述在命令行中。
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;
适合的增量式模型训练数据,50块一次观测,通过使用适合函数。在每一次迭代:
模拟数据流处理50个观察。
覆盖前面的增量式模型与一个新安装的观察。
商店 的训练观察和主题是否感动的先验概率(
Y=真正的在增量训练),看看他们如何演变。
%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);beta1 = 0 (nchunk, 1);numtrainobs = 0 (nchunk, 1);priormoved = 0 (nchunk, 1);%增量式拟合为j = 1: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl =适合(Mdl X (idx:), Y (idx));beta1 (j) = Mdl.Beta (1);numtrainobs (j) = Mdl.NumTrainingObservations;priormoved (j) = Mdl.Prior (Mdl。一会= = true);结束
Mdl是一个incrementalClassificationLinear模型对象培训中的所有数据流。
在增量学习看到参数如何演变,把它们在不同的瓷砖。
tiledlayout (2, 2) nexttile情节(beta1) ylabel (“\ beta_1”)参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。)包含(“迭代”)轴紧nexttile情节(numtrainobs) ylabel (“数量的训练观察”)参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。)包含(“迭代”)轴紧nexttile情节(priormoved) ylabel (‘\π(主题是移动))参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。)包含(“迭代”)轴紧
情节表明适合不符合模型的数据或更新之前的参数估计。
指定的方向观察和观察权重
火车二进制分类使用的线性模型fitclinear,将它转换成一个增量学习,跟踪其性能,并适合流媒体数据。东方的观测列,并指定观察权重。
加载和数据预处理
载入人类活动数据集。随机洗牌数据。东方的观测指标数据列。
负载humanactivityrng (1);%的再现性n =元素个数(actid);idx = randsample (n, n);X =壮举(idx:)”;Y = actid (idx);
细节的数据集,输入描述在命令行中。
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;
假设当主题是不动(收集的数据Y=假)质量比主题是移动时的两倍。创建一个重量变量属性2仍然从一个主题,收集的观察和1一个移动的主题。
W = 1 (n, 1) + Y ~;
为二进制分类培训线性模型
二进制分类符合线性模型的随机样本数据的一半。
idxtt = randsample((真假),n, true);TTMdl = fitclinear (X (:, idxtt), Y (idxtt),“ObservationsIn”,“列”,…“重量”W (idxtt))
TTMdl = ClassificationLinear ResponseName:“Y”类名:[0 1]ScoreTransform:“没有一个”测试:[60 x1双]偏见:-0.1107λ:8.2967 e-05学习者:“支持向量机”属性,方法
TTMdl是一个ClassificationLinear模型对象代表二进制分类的传统训练的线性模型。
转换训练模型
传统训练分类模型转换为一个二进制分类线性模型的增量学习。
IncrementalMdl = incrementalLearner (TTMdl)
IncrementalMdl = incrementalClassificationLinear IsWarm: 1指标:[1 x2表]一会:[0 1]ScoreTransform:“没有一个”测试:[60 x1双]偏见:-0.1107学习者:“支持向量机”属性,方法
分别跟踪性能指标和模型
对其余的数据执行增量学习使用updateMetrics和适合功能。在每一次迭代:
模拟数据流处理50观测一次。
调用
updateMetrics更新和窗口分类累积误差模型的输入块的观察。覆盖前面的增量式模型更新的损失指标财产。注意,函数不符合模型的一部分数据,大部分是“新”的数据模型。指定列的观测是面向,并指定观察权重。调用
适合适合的模型输入块的观察。覆盖前面的增量式模型更新模型参数。指定列的观测是面向,并指定观察权重。存储分类错误,首先估计系数 。
%预先配置idxil = ~ idxtt;nil =总和(idxil);numObsPerChunk = 50;nchunk =地板(nil / numObsPerChunk);ce = array2table (0 (nchunk, 2),“VariableNames”,(“累积”“窗口”]);beta1 = [IncrementalMdl.Beta (1);0 (nchunk 1)];自= X (:, idxil);Yil = Y (idxil);会= W (idxil);%增量式拟合为j = 1: nchunk ibegin = min (nil, numObsPerChunk * (j - 1) + 1);iend = min (nil, numObsPerChunk * j);idx = ibegin: iend;IncrementalMdl = updateMetrics (IncrementalMdl自(:,idx) Yil (idx),…“ObservationsIn”,“列”,“重量”会(idx));ce {j:} = IncrementalMdl.Metrics {“ClassificationError”,:};IncrementalMdl =适合(IncrementalMdl自(:,idx) Yil (idx),“ObservationsIn”,“列”,…“重量”会(idx));beta1 (j + 1) = IncrementalMdl.Beta (1);结束
IncrementalMdl是一个incrementalClassificationLinear模型对象培训中的所有数据流。
或者,您可以使用updateMetricsAndFit更新模型的性能指标给定一个新的数据块,然后适应模型数据。
画一个跟踪性能指标和估计系数的情节 。
t = tiledlayout (2, 1);nexttile h =情节(ce.Variables);xlim ([0 nchunk]) ylabel (分类错误的传奇(h, ce.Properties.VariableNames) nexttile情节(beta1) ylabel (“\ beta_1”)xlim ([0 nchunk])包含(t)“迭代”)
累计损失稳定和逐渐减少,而跳窗的损失。
逐渐改变,然后下降,适合流程更块。
执行条件的培训
逐步培养一个线性回归模型只有当性能就会降低。
负载和洗牌2015年纽约市住房数据集。更多细节数据,看看纽约市公开的数据。
负载NYCHousing2015rng (1)%的再现性n =大小(NYCHousing2015, 1);shuffidx = randsample (n, n);NYCHousing2015 = NYCHousing2015 (shuffidx:);
提取反应变量SALEPRICE从表中。数值稳定、规模SALEPRICE通过1 e6。
Y = NYCHousing2015.SALEPRICE / 1 e6;NYCHousing2015。SALEPRICE = [];
创建虚拟变量分类预测矩阵。
catvars = [“区”“BUILDINGCLASSCATEGORY”“社区”];dumvarstbl = varfun (@ (x) dummyvar(分类(x)), NYCHousing2015,…“数据源”,catvars);dumvarmat = table2array (dumvarstbl);NYCHousing2015 (:, catvars) = [];
对所有其他表中的数值变量的线性预测销售价格。连接矩阵的虚变量的预测数据。
idxnum = varfun (@isnumeric NYCHousing2015,“OutputFormat”,“统一”);X = [dumvarmat NYCHousing2015 {:, idxnum});
配置一个线性回归模型的增量学习,没有一个评估或量度的加热时间。指定一个指标窗口大小为1000。第一个100年观测符合配置的模型。
Mdl = incrementalRegressionLinear (“EstimationPeriod”0,…“MetricsWarmupPeriod”0,“MetricsWindowSize”,1000);numObsPerChunk = 100;Mdl =适合(Mdl X (1: numObsPerChunk,:), Y (1: numObsPerChunk));
Mdl是一个incrementalRegressionLinear模型对象。
执行增量学习,条件合适,每个迭代遵循这个过程:
模拟数据流处理一块100年的观察。
更新模型的性能计算ε不敏感损失,在200年的观察窗。
符合模型的数据块只有在最小损失的损失超过双打有经验。
当跟踪性能和装配,覆盖前面的增量式模型。
存储和ε不敏感损失 的损失和系数训练中发展。
跟踪时
适合火车模型。
%预先配置n =元素个数(Y)——numObsPerChunk;nchunk =地板(n / numObsPerChunk);beta313 = 0 (nchunk, 1);ei = array2table (nan (nchunk, 2),“VariableNames”,(“累积”“窗口”]);训练= false (nchunk, 1);%增量式拟合为j = 2: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl = updateMetrics (Mdl X (idx:), Y (idx));ei {j:} = Mdl.Metrics {“EpsilonInsensitiveLoss”,:};minei = min (ei {: 2});pdiffloss = (ei {j 2} - minei) / minei * 100;如果pdiffloss > 100 Mdl =适合(Mdl X (idx:), Y (idx));训练(j) = true;结束beta313 (j) = Mdl.Beta(结束);结束
Mdl是一个incrementalRegressionLinear模型对象培训中的所有数据流。
模型的性能和 进化在训练,放到单独的瓷砖。
t = tiledlayout (2, 1);nexttile情节(beta313)在情节(找到(训练),beta313(训练),“r”。)xlim ([0 nchunk]) ylabel (“\ beta_”{313})参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。)传说(“\ beta_”{313},培训发生的,“位置”,“东南”)举行从nexttile情节(ei.Variables) xlim ([0 nchunk]) ylabel (“ε不敏感损失”)参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。传奇(ei.Properties.VariableNames)包含(t)“迭代”)
跟踪的情节 显示时间的常量值,最小的损失没有双有经验。
输入参数
输出参数
提示
与传统的培训、增量学习可能没有一个单独的测试(抵抗)。因此,将每个传入的数据作为测试集,通过增量式模型和每个传入的块
updateMetrics在训练模型相同的数据。
