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
Mdl
- - - - - -增量学习模式
incrementalClassificationLinear
模型对象|incrementalRegressionLinear
模型对象
增量学习模型,其性能被测量,指定为incrementalClassificationLinear
或incrementalRegressionLinear
模型对象。你可以创建Mdl
直接或通过转换支持的,传统训练的机器学习模型使用金宝appincrementalLearner
函数。更多详细信息,请参见相应的参考页面。
如果Mdl。IsWarm
是假
,updateMetrics
不跟踪模型的性能。你必须合身Mdl
来Mdl。估计周期+ Mdl。MetricsWarmupPeriod
通过传递观察Mdl
数据是适合
之前updateMetrics
能够跟踪性能指标。详情请参见性能指标.
X
- - - - - -预测数据块
浮点矩阵
用于测量模型性能的预测器数据块,指定为的浮点矩阵n观察和Mdl。NumPredictors
预测变量。的值ObservationsIn
名称-值参数决定变量和观察值的方向。默认的ObservationsIn
值是“行”
,表示预测器数据中的观测值沿的行方向X
.
观察标签的长度Y
观察的次数X
必须平等;Y (
是观察的标签吗j(行或列)在j
)X
.
请注意
数据类型:单
|双
Y
- - - - - -响应块(标签)
分类数组|字符数组|字符串数组|逻辑向量|浮点矢量|字符向量的单元格数组
请注意
如果一个观察值(预测值或标签)或权重包含至少一个缺失(南
)的值,updateMetrics
忽略观察结果。因此,updateMetrics
使用少于n计算模型性能的观测值,其中n观察的数量在吗X
.
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字
在报价。
例子:“ObservationsIn”、“列”、“重量”,W
指定预测器矩阵的列对应于观测值,以及向量W
包含在增量学习期间应用的观察权重。
输出参数
Mdl
-更新的增量学习模型
incrementalClassificationLinear
模型对象|incrementalRegressionLinear
模型对象
更新的增量学习模型,作为与输入模型具有相同数据类型的增量学习模型对象返回Mdl
,要么incrementalClassificationLinear
或incrementalRegressionLinear
.
如果模型温度不高,updateMetrics
不计算性能指标。结果,指标
的属性Mdl
完全由南
值。如果模型是温暖的,updateMetrics
计算新数据上的累积和窗口性能指标X
而且Y
的对应元素Mdl。指标
.输入模型的所有其他属性Mdl
转到输出模型Mdl
.详情请参见性能指标.
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
性能指标
updateMetrics
中表的行标签指定的仅跟踪模型性能指标Mdl。指标
,从新数据时的增量模型为温暖的(IsWarm
属性是真正的
).增量模型是暖后模型适合
函数拟合增量模型Mdl。MetricsWarmupPeriod
观察,也就是指标预热期.如果
Mdl。EstimationPeriod
> 0,函数在模型拟合数据之前估计超参数。因此,函数必须处理附加项EstimationPeriod
模型开始度量预热期之前的观察。的
指标
属性将每个性能度量的两种形式存储为表的变量(列),累积
而且窗口
,将单个指标列成行。当增量模型为温模型时,updateMetrics
以以下频率更新指标:累积
-该函数计算自模型性能跟踪开始以来的累计指标。每次调用该函数时,该函数都会更新度量标准,并基于整个提供的数据集进行计算。窗口
函数根据窗口内的所有观察结果计算指标Mdl。MetricsWindowSize
财产。Mdl。MetricsWindowSize
还决定软件更新的频率窗口
指标。例如,如果Mdl。MetricsWindowSize
为20时,该函数根据所提供数据中的最后20个观察结果计算度量(X((end - 20 + 1):end,:)
而且Y((end - 20 + 1):end)
).跟踪窗口内性能指标的增量函数使用以下过程:
存储一个长度的缓冲区
Mdl。MetricsWindowSize
对于每个指定的度量,并存储一个观察权重的缓冲区。用基于批量传入观察的模型性能填充度量缓冲区的元素,并在权重缓冲区中存储相应的观察权重。
当缓冲区被填满时,覆盖
Mdl.Metrics.Window
在指标窗口中使用加权平均性能。如果函数在处理一批观测值时缓冲区过满,则最新的传入Mdl。MetricsWindowSize
观测值进入缓冲区,最早的观测值从缓冲区中删除。例如,假设Mdl。MetricsWindowSize
为20时,度量缓冲区中有10个来自先前处理的批处理的值,15个值是传入的。为了组成长度为20的窗口,该函数使用来自15个传入观测值的测量值和来自前一批的最新5个测量值。
该软件省略了一个观察
南
计算时的预测(分类评分和回归响应)累积
而且窗口
性能度量值。
观察权重
对于分类问题,如果先验类概率分布已知(换句话说,先验分布不是经验的),updateMetrics
将观察权重归一化,使其与各自类中的先验类概率相加。这个动作意味着,默认情况下,观测权重是各自的先验类概率。
对于回归问题或先验类概率分布是经验的,软件将指定的观察权重归一化,每次调用时求和为1updateMetrics
.
扩展功能
C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。
使用注意事项和限制:
使用
saveLearnerForCoder
,loadLearnerForCoder
,codegen
(MATLAB编码器)方法生成代码updateMetrics
函数。通过使用保存一个训练好的模型saveLearnerForCoder
.定义一个入口点函数,该函数通过loadLearnerForCoder
并调用updateMetrics
函数。然后使用codegen
为入口点函数生成代码。生成单精度C/ c++代码
updateMetrics
,指定名称-值参数“数据类型”、“单身”
当你打电话给loadLearnerForCoder
函数。该表包含关于的参数的注释
updateMetrics
.完全支持不包括在本表中的参数。金宝app论点 注意事项和限制 Mdl
有关模型对象的使用说明和限制,请参见
incrementalClassificationLinear
或incrementalRegressionLinear
.X
批对批,观测的数量可以是一个可变的大小,但必须等于中的观测数量
Y
.预测变量的数量必须等于
Mdl。NumPredictors
.X
必须单
或双
.
Y
批对批,观测的数量可以是一个可变的大小,但必须等于中的观测数量
X
.对于分类问题,所有标签
Y
必须在Mdl。一会
.Y
而且Mdl。一会
必须具有相同的数据类型。
以下限制适用:
如果你配置
Mdl
打乱数据(Mdl。洗牌
是真正的
,或Mdl。解算器
是“sgd”
或“asgd”
),updateMetrics
函数随机洗牌每批传入的观测值,然后再将模型与该批匹配。打乱后的观测顺序可能与MATLAB生成的顺序不匹配®.因此,如果你适合Mdl
在更新性能指标之前,在MATLAB中计算的指标和由生成的代码计算的指标可能不相等。也可以对所有浮点输入参数和对象属性使用同构数据类型
单
或双
.
有关更多信息,请参见代码生成简介.
版本历史
R2020b中介绍
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。