incrementalLearner
描述
IncrementalMdl= incrementalLearner (Mdl)IncrementalMdl,使用传统的hyperparameters训练朴素贝叶斯分类模型Mdl。因为它的属性值反映而获得的知识Mdl,IncrementalMdl可以预测标签给新观测,它是什么温暖的,这意味着其预测性能跟踪。
IncrementalMdl= incrementalLearner (Mdl,名称,值)IncrementalMdl之前预测性能跟踪。例如,“MetricsWarmupPeriod”, 50岁,“MetricsWindowSize”, 100指定了一个初步的增量训练时期的前50观测性能指标跟踪,并指定处理100年观测之前更新窗口性能指标。
例子
传统培训模式转换为增量学习
火车通过使用朴素贝叶斯模型fitcnb,然后把它转换成一个增量学习。
加载和数据预处理
载入人类活动数据集。
负载humanactivity
细节的数据集,输入描述在命令行中。
火车朴素贝叶斯模型
适合朴素贝叶斯分类模型对整个数据集。
TTMdl = fitcnb(壮举,actid);
TTMdl是一个ClassificationNaiveBayes模型对象代表了传统训练朴素贝叶斯分类模型。
转换训练模型
传统训练朴素贝叶斯分类模型转换为一个适合增量学习。
IncrementalMdl = incrementalLearner (TTMdl)
IncrementalMdl = incrementalClassificationNaiveBayes IsWarm: 1指标:[1 x2表]一会:(1 2 3 4 5)ScoreTransform:“没有一个”DistributionNames: {1} x60细胞DistributionParameters: {5} x60细胞属性,方法
IncrementalMdl是一个incrementalClassificationNaiveBayes使用朴素贝叶斯分类模型对象准备增量学习。
的
incrementalLearner函数初始化增量学习者通过学习条件预测分布参数,以及其他信息TTMdl从训练数据提取出来的。IncrementalMdl是温暖的IsWarm是1),这意味着增量学习函数可以跟踪性能指标和作出预测。
预测的反应
增量学习者从转换创建一个传统训练模型可以生成预测没有进一步处理。
预测分类评分(类的后验概率)观测使用这两种模型。
[~,ttscores] =预测(TTMdl壮举);[~,简称ilcor] =预测(IncrementalMdl壮举);compareScores =规范(ttscores -简称ilcor)
compareScores = 0
之间的差异模型产生的分数是0。
配置性能指标选项
使用一个训练有素的朴素贝叶斯模型初始化增量学习。准备学习者通过指定一个增量指标预热期,在此期间updateMetricsAndFit功能只适合模型。指定一个指标500观察的窗口大小。
载入人类活动数据集。
负载humanactivity
细节的数据集,输入描述在命令行
随机把数据分成两半:上半年培训模式传统,下半年的增量学习。
n =元素个数(actid);rng (1)%的再现性本量利= cvpartition (n,“坚持”,0.5);idxtt =培训(cvp);idxil =测试(cvp);%上半年的数据Xtt =壮举(idxtt:);Ytt = actid (idxtt);%下半年的数据自=壮举(idxil:);Yil = actid (idxil);
朴素贝叶斯模型适合上半年的数据。假设您想加倍处罚分类器时,错误地分类类2。
C =的眼睛(5)- (5);C (2, 1 3 4 5) = 2;Ytt TTMdl = fitcnb (Xtt,“成本”C);
传统训练朴素贝叶斯模型转换为一个朴素贝叶斯分类模型的增量学习。指定以下:
一个性能指标预热期2000年的观察。
一个指标500观察的窗口大小。
使用分类误差和最小的成本来衡量模型的性能。你不需要指定
“mincost”为指标因为incrementalClassificationNaiveBayes一直跟踪这个指标。
IncrementalMdl = incrementalLearner (TTMdl,“MetricsWarmupPeriod”,2000,“MetricsWindowSize”,500,…“指标”,“classiferror”);
下半年适合增量模型使用的数据updateMetricsAndFit函数。在每一次迭代:
模拟数据流处理20观测一次。
覆盖前面的增量式模型与一个新安装的观察。
商店内的第二个预测均值头等舱 、累积度量和窗口指标增量学习期间看到他们如何演变。
%预先配置nil =元素个数(Yil);numObsPerChunk = 20;nchunk =装天花板(nil / numObsPerChunk);ce = array2table (0 (nchunk, 2),“VariableNames”,(“累积”“窗口”]);(nchunk mc = array2table (0, 2),“VariableNames”,(“累积”“窗口”]);mu12 = [IncrementalMdl.DistributionParameters {1,2} (1);0 (nchunk 1)];%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 = updateMetricsAndFit (IncrementalMdl自(idx:), Yil (idx));ce {j:} = IncrementalMdl.Metrics {“ClassificationError”,:};mc {j:} = IncrementalMdl.Metrics {“MinimalCost”,:};mu12 (j + 1) = IncrementalMdl.DistributionParameters {1,2} (1);结束
IncrementalMdl是一个incrementalClassificationNaiveBayes模型对象培训中的所有数据流。在增量学习模型是热身之后,updateMetricsAndFit检查模型的性能的观察,然后符合观测模型。
性能指标和 进化在训练,放到单独的瓷砖。
t = tiledlayout (3,1);nexttile情节(mu12) ylabel (“\ mu_ {12}”)xlim ([0 nchunk]);参照线(IncrementalMdl.MetricsWarmupPeriod / numObsPerChunk,r -。);nexttile h =情节(ce.Variables);xlim ([0 nchunk]);ylabel (分类错误的)参照线(IncrementalMdl.MetricsWarmupPeriod / numObsPerChunk,r -。);传奇(h, ce.Properties.VariableNames“位置”,“西北”)nexttile h =情节(mc.Variables);xlim ([0 nchunk]);ylabel (“最小成本”)参照线(IncrementalMdl.MetricsWarmupPeriod / numObsPerChunk,r -。);传奇(h, mc.Properties.VariableNames“位置”,“西北”)包含(t)“迭代”)
故事情节表明updateMetricsAndFit执行以下操作:
适合 在增量学习迭代。
计算后的性能指标度量预热期(红色垂直线)。
在每一次迭代计算累积度量。
计算窗口指标500年处理后观察迭代(25)。
因为数据是活动,下令均值和性能指标定期突然改变。
输入参数
输出参数
更多关于
算法
版本历史
介绍了R2021a
