updateMetrics
在线性增量学习模型中根据新数据更新性能指标
描述
给定流数据，updateMetrics测量线性回归的已配置增量学习模型的性能(incrementalRegressionLinear对象)或线性二元分类(incrementalClassificationLinear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
训练一个用于二元分类的线性模型fitclinear，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。
回答可以分为五类:坐着、站着、走着、跑着或跳舞。通过识别被测者是否在移动(actid> 2)。
Y = Y > 2;
二元分类训练线性模型
用二分之一的随机样本拟合二元分类的线性模型。
Idxtt = randsample([true false]，n,true);TTMdl = fitclinear(X(idxtt，:)，Y(idxtt))
TTMdl = ClassificationLinear ResponseName: 'Y' ClassNames: [0 1] ScoreTransform: 'none' Beta: [60x1 double]偏差:-0.2999 Lambda: 8.2967e-05学习者:'svm'属性，方法
TTMdl是一个ClassificationLinear模型对象，表示用于二进制分类的传统训练线性模型。
转换训练模型
将传统训练的分类模型转换为增量学习的二元分类线性模型。
IncrementalMdl =增量学习者(TTMdl)
IncrementalMdl = incrementalClassificationLinear IsWarm: 1 Metrics: [1x2 table] ClassNames: [0 1] ScoreTransform: 'none' Beta: [60x1 double]偏差:-0.2999 Learner: 'svm'属性，方法
IncrementalMdl。IsWarm
ans =逻辑1
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分类误差。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。存储分类误差和第一系数 ．
%预先配置Idxil = ~idxtt;Nil = sum(idxil);numObsPerChunk = 50;nchunk = floor(nil/numObsPerChunk);Ce = array2table(0 (nchunk,2)，“VariableNames”，[“累积”“窗口”]);beta1 = [incrementalmml . beta (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));ce{j，:} = IncrementalMdl。指标{“ClassificationError”,:};beta1(j + 1) = incrementalmml . beta (1);结束
IncrementalMdl是一个incrementalClassificationLinear模型对象，该对象跟踪了数据流中观察到的模型性能。
绘制性能指标和估计系数的轨迹图 ．
T = tiledlayout(2,1);nexttile h = plot(ce.Variables);Xlim ([0 nchunk]) ylabel(分类错误的nexttile plot(beta1) ylabel(“\ beta_1”xlim([0 nchunk]) xlabel(t，“迭代”）
累积损失是稳定的，而窗口损失是跳跃的。
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
创建一个增量线性支持向量机模型用于二元分类。指定5000个观测值的估计周期和SGD求解器。
Mdl =增量分类线性(“EstimationPeriod”, 5000,“规划求解”，“sgd”）
Mdl = incrementalClassificationLinear IsWarm: 0 Metrics: [1x2 table] ClassNames: [1x0 double] ScoreTransform: 'none' Beta: [0x1 double]偏差:0学习者:'svm'属性，方法
Mdl是一个incrementalClassificationLinear模型。它的所有属性都是只读的。
通过查询模型属性确定模型是否温暖，以及度量暖化周期的大小。
isWarm = Mdl。IsWarm
isWarm =逻辑0
mwp = Mdl。指标WarmupPeriod
MWP = 1000
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，必须在测量模型的性能之前进行处理。
numObsBeforeMetrics = Mdl。MetricsWarmupPeriod + Mdl。EstimationPeriod
numObsBeforeMetrics = 6000
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。
回答可以分为五类:坐着、站着、走着、跑着或跳舞。通过识别被测者是否在移动(actid> 2)。
Y = Y > 2;
执行增量学习。在每次迭代中:
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．覆盖输入模型。方法将模型拟合到传入的块
适合函数。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”]);Beta1 = 0 (nchunk,1);%增量拟合为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));ce{j，:} = Mdl。指标{“ClassificationError”,:};Mdl = fit(Mdl,X(idx，:)，Y(idx));beta1(j) = Mdl.Beta(1);结束
Mdl是一个incrementalClassificationLinear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(beta1) ylabel(“\ beta_1”)参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。)包含(“迭代”)轴紧nexttile plot(ce.Variables)“ClassificationError”)参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。)参照线(numObsBeforeMetrics / numObsPerChunk,“g -”。xlim([0 nchunk]) legend(ce.Properties.VariableNames)“迭代”）
mdlIsWarm = numObsBeforeMetrics/numObsPerChunk
mdlIsWarm = 120
情节表明适合直到估计期结束后才使模型适合数据或更新参数。同时,updateMetrics直到估计和度量预热期(120块)之后才跟踪分类错误。
进行条件训练
只有当线性回归模型的性能下降时，才对其进行增量训练。
加载和洗牌2015年纽约市住房数据集。有关数据的详细信息，请参见纽约市开放数据．
负载NYCHousing2015rng (1)%用于再现性n = size(NYCHousing2015,1);Shuffidx = randsample(n,n);NYCHousing2015 = NYCHousing2015(shuffidx，:);
提取响应变量SALEPRICE从桌子上。为了数值的稳定性，刻度SALEPRICE通过1 e6．
Y = nychousing2015 . salesprice /1e6;NYCHousing2015。售价= [];
从分类预测器创建虚拟变量矩阵。
Catvars = [“区”“BUILDINGCLASSCATEGORY”“社区”];dumvarstbl = varfun(@(x)dummyvar(categorical(x))，NYCHousing2015，.．.“数据源”, catvars);Dumvarmat = table2array(dumvarstbl);NYCHousing2015(:，catvars) = [];
将表中所有其他数值变量视为销售价格的线性预测因子。将虚拟变量矩阵连接到其余的预测器数据，并将数据转置以加快计算速度。
idxnum = varfun(@isnumeric,NYCHousing2015，“OutputFormat”，“统一”）;X = [dumvarmat NYCHousing2015{:，idxnum}]';
为增量学习配置线性回归模型，这样它就不会有估计或指标预热期。指定度量窗口大小为1000个观测值。将配置的模型与前100个观测值相匹配，并指定观测值沿数据列方向排列。
Mdl =增量回归线性(“EstimationPeriod”0,“MetricsWarmupPeriod”0,.．.“MetricsWindowSize”, 1000);numObsPerChunk = 100;Mdl = fit(Mdl,X(:，1:numObsPerChunk)，Y(1:numObsPerChunk)，“ObservationsIn”，“列”）;
Mdl是一个incrementalRegressionLinear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:
通过处理100个观测数据块来模拟数据流。
在200个观测窗口内，通过计算ε不敏感损失来更新模型性能。指定观察值沿数据列方向排列。
只有当损失是最小损失的两倍以上时，模型才适合数据块。指定观察值沿数据列方向排列。
在跟踪性能和拟合时，覆盖之前的增量模型。
存储不敏感损失和 看看损耗和系数在训练过程中是如何演变的。
跟踪时
适合训练模型。
%预先配置n = nummel (Y) - numObsPerChunk;nchunk = floor(n/numObsPerChunk);Beta313 = 0 (nchunk,1);Ei = array2table(nan(nchunk,2)，“VariableNames”，[“累积”“窗口”]);训练= false(nchunk,1);%增量拟合为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)，“ObservationsIn”，“列”）;ei{j，:} = Mdl。指标{“EpsilonInsensitiveLoss”,:};Minei = min(ei{:，2});Pdiffloss = (ei{j,2} - minei)/minei*100;如果pdiffloss > 100 Mdl = fit(Mdl,X(:，idx)，Y(idx)，“ObservationsIn”，“列”）;训练(j) = true;结束beta313(j) = Mdl.Beta(end);结束
Mdl是一个incrementalRegressionLinear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 plot(beta313) hold住在情节(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 plot(ei.Variables) xlim([0 nchunk]) ylabel(“不敏感损失”)参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。xlabel(t，“迭代”）
的轨迹图 显示恒定值的时期，在此期间损失没有从经历的最小值翻倍。
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
扩展功能
版本历史
R2020b中介绍
您也可以从以下列表中选择一个网站: