增量学习,或在线学习是机器学习的一个分支，涉及处理来自数据流的传入数据，可能很少或根本不知道预测变量的分布、预测或目标函数的各个方面(包括调优参数值)，或者观察结果是否被标记。增量学习与传统的机器学习不同，传统的机器学习有足够的标记数据来拟合模型，执行交叉验证来调优超参数，并推断预测器分布。

给定传入的观察结果，增量学习模型以以下任何一种方式处理数据，但通常按以下顺序:

详情请参见增量学习概述．

的增量学习的自适应尺度不变求解器，介绍于[1]，是一个基于梯度下降的目标求解器，用于训练线性预测模型。该解算器是无超参数的，对预测变量尺度的差异不敏感，并且不需要预测变量分布的先验知识。这些特点使它非常适合增量学习。

增量拟合函数适合而且updateMetricsAndFit使用更激进的ScInOL2版本的算法。

随机扩展功能，如随机厨房水槽［5］或快餐[6]，是一种近似高斯核的核分类算法，以计算效率高的方式用于大数据。随机特征扩展对于拥有大型训练集的大数据应用更为实用，但也可以应用于适合内存的较小数据集。

内核分类算法在将特征映射到高维空间后，寻找一个最优超平面，将数据分成两类。在低维空间中不可线性分离的非线性特征可以在扩展的高维空间中被分离。超平面分类的所有计算都只使用点积。下载188bet金宝搏你可以通过替换点积得到一个非线性分类模型x₁x₂＇用非线性核函数 $$G（x_1,x_2）＝〈\phi （x_1）,\phi （x_2）〉$$,在那里x_我是我观测值(行向量)和φ（x_我）是映射的变换吗x_我到高维空间(称为“核技巧”)。然而,评估G（x₁,x₂）(克矩阵)对于一个大数据集(大n)．

随机特征展开方案寻找一个随机变换，使其点积近似于高斯核。也就是说,

在哪里T（x）地图x在 $${ℝ}^p$$到高维空间( $${ℝ}^{米}$$)．随机厨房水槽方案使用随机转换

在哪里 $$Z\in {ℝ}^{米\times p}$$样品是从哪里抽取的 $$N（0,{\sigma }^{-2}）$$而且σ是核标度。这个方案需要O（米p）计算和存储。

快餐计划引入了另一种随机基础V而不是Z使用阿达玛矩阵结合高斯尺度矩阵。这种随机基将计算成本降低到O（米日志p）并将存储减少到O（米）．

incrementalClassificationKernel采用Fastfood模式进行随机特征扩展，采用线性分类训练高斯核分类模型。可以为指定值米而且σ使用NumExpansionDimensions而且KernelScale在使用创建传统训练模型时，分别使用名称-值参数fitckernel或者当你打电话的时候incrementalClassificationKernel直接创建模型对象。