updateMetrics
在新数据下更新朴素贝叶斯增量学习分类模型的性能指标
描述
给定流数据，updateMetrics测量用于增量学习的配置朴素贝叶斯分类模型的性能(incrementalClassificationNaiveBayes对象)。updateMetrics将性能指标存储在输出模型中。
updateMetrics允许灵活的增量学习。在您调用函数来更新传入数据块上的模型性能指标之后，您可以在将模型训练为数据之前执行其他操作。例如，您可以根据模型在数据块上的表现来决定是否需要训练模型。方法，可以在一次调用中更新模型性能指标，并在数据到达时对模型进行训练updateMetricsAndFit函数。
要度量模型在指定批数据上的性能，请调用损失代替。
例子
增量模型的跟踪性能
训练朴素贝叶斯分类模型fitcnb，将其转换为增量学习器，然后跟踪其表现为流数据。
加载和预处理数据
加载人类活动数据集。随机打乱数据。
负载humanactivityrng (1)%用于再现性N = numel(actid);Idx = randsample(n,n);X = feat(idx，:);Y = actid(idx);
关于数据集的详细信息，请输入描述在命令行。
训练朴素贝叶斯分类模型
将朴素贝叶斯分类模型拟合到一半数据的随机样本中。
Idxtt = randsample([true false]，n,true);TTMdl = fitcnb(X(idxtt，:)，Y(idxtt))
TTMdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' NumObservations: 12053 DistributionNames: {1x60 cell} DistributionParameters: {5x60 cell}属性，方法
TTMdl是一个ClassificationNaiveBayes表示传统训练模型的模型对象。
转换训练模型
将传统训练的分类模型转换为朴素贝叶斯分类模型进行增量学习。
IncrementalMdl =增量学习者(TTMdl)
IncrementalMdl = incrementalClassificationNaiveBayes IsWarm: 1 Metrics: [1x2 table] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' DistributionNames: {1x60 cell} DistributionParameters: {5x60 cell}属性，方法
增量模式是温暖的。因此,updateMetrics可以跟踪给定数据的模型性能指标。
跟踪绩效指标
方法跟踪模型在其余数据上的性能updateMetrics函数。通过一次处理50个观测数据来模拟数据流。在每次迭代中:
调用
updateMetrics在给定传入观测数据块的情况下，更新模型的累积和窗口最小代价。的增量模型中更新损失指标财产。注意，函数并没有将模型与数据块相匹配——数据块是模型的“新”数据。将第一个预测器的最小代价和平均值存储在第一个类中 ．
%预先配置Idxil = ~idxtt;Nil = sum(idxil);numObsPerChunk = 50;nchunk = floor(nil/numObsPerChunk);MC = array2table(0 (nchunk,2)，“VariableNames”, (“累积”“窗口”]);mu11 = [incrementalmld . distributionparameters {1,1}(1);0 (nchunk 1)];Xil = X(idxil，:);Yil = Y(idxil);%增量拟合为j = 1:nchunk ibegin = min(nil,numObsPerChunk*(j-1) + 1);iend = min(nil,numObsPerChunk*j);Idx = ibegin:iend;IncrementalMdl = updateMetrics(增量mdl,Xil(idx，:)，Yil(idx));mc{j，:} = IncrementalMdl。指标{“MinimalCost”,:};mu11(j + 1) = incrementalmld . distributionparameters {1,1}(1);结束
IncrementalMdl是一个incrementalClassificationNaiveBayes模型对象，该对象跟踪了数据流中观察到的模型性能。
绘制性能指标和的跟踪图 ．
T = tiledlayout(2,1);nexttile h = plot(mc.Variables);Xlim ([0 nchunk]) ylabel(“最小成本”(h,mc.Properties.VariableNames) nexttile plot(mu11) ylabel(“\ mu_{11}”xlim([0 nchunk]) xlabel(t，“迭代”）
累积损失是稳定的，而窗口损失在整个训练过程中不断跳跃。
不会改变是因为updateMetrics不能将模型与数据拟合。
配置增量模型来跟踪性能指标并指定权重
通过调用创建一个用于增量学习的朴素贝叶斯分类模型incrementalClassificationNaiveBayes并在数据中指定最多5个期望的类。除了最小成本外，还要指定跟踪错误分类错误率。
Mdl = incrementalClassificationNaiveBayes(“MaxNumClasses”5,“指标”，“classiferror”）;
Mdl是一个incrementalClassificationNaiveBayes模型。它的所有属性都是只读的。
通过查询model属性确定模型是否为warm。
isWarm = Mdl。IsWarm
isWarm =逻辑0
Mdl。IsWarm是0；因此,Mdl就是不温暖。
确定观察数的增量拟合函数，如适合，必须在通过显示指标预热期的大小来测量模型的性能之前进行处理。
numObsBeforeMetrics = Mdl。MetricsWarmupPeriod
numObsBeforeMetrics = 1000
加载人类活动数据集。随机打乱数据。
负载humanactivityN = numel(actid);rng (1)%用于再现性Idx = randsample(n,n);X = feat(idx，:);Y = actid(idx);
关于数据集的详细信息，请输入描述在命令行。
假设来自静止对象的数据(Y<= 2)的数据质量是移动对象的两倍。创建一个权重变量，将来自静止主体的观测值赋值为2，将1赋值给移动主体。
W = ones(n,1) + (Y <= 2);
通过在每次迭代中执行以下操作来实现增量学习:
通过处理50个观测数据块来模拟数据流。
使用传入块度量模型性能指标
updateMetrics．指定相应的观测权重并覆盖输入模型。将模型与传入的数据块相匹配。指定相应的观测权重并覆盖输入模型。
商店 以及错误分类错误率来观察它们在增量学习中是如何进化的。
%预先配置numObsPerChunk = 50;nchunk = floor(n/numObsPerChunk);Ce = array2table(0 (nchunk,2)，“VariableNames”, (“累积”“窗口”]);Mu11 = 0 (nchunk,1);%增量学习为j = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min(n,numObsPerChunk*j);Idx = ibegin:iend;Mdl = updateMetrics(Mdl,X(idx，:)，Y(idx)，“重量”W (idx));ce{j，:} = Mdl。指标{“ClassificationError”,:};Mdl = fit(Mdl,X(idx，:)，Y(idx)，“重量”W (idx));mu11(j) = mld . distributionparameters {1,1}(1);结束
现在,Mdl是一个incrementalClassificationNaiveBayes在流中的所有数据上训练的模型对象。
要了解参数在增量学习过程中是如何演变的，请将它们绘制在单独的块上。
T = tiledlayout(2,1);Nexttile plot(mu11)“\ mu_{11}”)包含(“迭代”)轴紧nexttile plot(ce.Variables)“ClassificationError”)参照线(numObsBeforeMetrics / numObsPerChunk,r -。xlim([0 nchunk]) legend(ce.Properties.VariableNames)“迭代”）
mdlIsWarm = numObsBeforeMetrics/numObsPerChunk
mdlIsWarm = 20
情节表明适合总是让模型符合数据，而且updateMetrics直到指标预热期(20块)之后才跟踪分类错误。
进行条件训练
只有当朴素贝叶斯分类模型的性能下降时，才对其进行增量训练。
加载人类活动数据集。随机打乱数据。
负载humanactivityN = numel(actid);rng (1)%用于再现性Idx = randsample(n,n);X = feat(idx，:);Y = actid(idx);
关于数据集的详细信息，请输入描述在命令行。
配置一个用于增量学习的朴素贝叶斯分类模型，使期望的最大类数为5，跟踪的性能指标包括误分类错误率，指标窗口大小为1000。将配置的模型拟合到前1000个观察值。
Mdl = incrementalClassificationNaiveBayes(“MaxNumClasses”5,“MetricsWindowSize”, 1000,.．.“指标”，“classiferror”）;Initobs = 1000;Mdl = fit(Mdl,X(1:initobs，:)，Y(1:initobs));
Mdl是一个incrementalClassificationNaiveBayes模型对象。
使用条件拟合执行增量学习，每次迭代都遵循以下步骤:
通过一次处理100个观测数据块来模拟数据流。
更新传入数据块上的模型性能。
只有当错分类错误率大于0.05时，模型才能拟合数据块。
在跟踪性能和拟合时，覆盖之前的增量模型。
将第一个预测器的误分类错误率和平均值存储在第二类中 看看他们在训练中是如何进化的。
跟踪时
适合训练模型。
%预先配置numObsPerChunk = 100;nchunk = floor((n - initobs)/numObsPerChunk);Mu21 = 0 (nchunk,1);Ce = array2table(nan(nchunk,2)，“VariableNames”, (“累积”“窗口”]);训练= false(nchunk,1);%增量拟合为j = 1: ibegin = min(n,numObsPerChunk*(j-1) + 1 + initobs);iend = min(n,numObsPerChunk*j + initobs);Idx = ibegin:iend;Mdl = updateMetrics(Mdl,X(idx，:)，Y(idx));ce{j，:} = Mdl。指标{“ClassificationError”,:};如果ce{j,2} > 0.05 Mdl = fit(Mdl,X(idx，:)，Y(idx));训练(j) = true;结束mu21(j) = mld . distributionparameters {2,1}(1);结束
Mdl是一个incrementalClassificationNaiveBayes在流中的所有数据上训练的模型对象。
看看模型的性能如何 在训练过程中进化，将它们绘制在单独的瓷砖上。
T = tiledlayout(2,1);Nexttile地块(mu21)持有在情节(找到(训练),mu21(训练),“r”。xlim([0 nchunk]) ylabel(“\ mu_{21}”)传说(“\ mu_{21}”，培训发生的，“位置”，“最佳”)举行从nexttile plot(ce.Variables) xlim([0 nchunk])“错误分类错误率”)传说(ce.Properties.VariableNames“位置”，“最佳”)包含(t)“迭代”）
的轨迹图 显示常值周期，在此期间，前一个观测窗口内的损失最大为0.05。
输入参数
输出参数
提示
与传统的训练不同，增量学习可能没有单独的测试(坚持)集。因此，要将每个传入的数据块视为一个测试集，将增量模型和每个传入的数据块传递给
updateMetrics在训练模型之前使用相同的数据适合．
算法
版本历史
R2021a中引入
您也可以从以下列表中选择一个网站: