主要内容

logp

增量学习朴素贝叶斯分类模型的对数无条件概率密度

折叠所有页面

语法

lp = logp(Mdl,X)

描述

例子

lp= logp (Mdl，X）返回日志无条件概率密度lp预测数据中的观察结果X使用朴素贝叶斯分类模型进行增量学习Mdl．你可以使用lp识别训练数据中的异常值。

例子

全部折叠

打开实时脚本

训练朴素贝叶斯分类模型fitcnb，将其转换为增量学习器，然后使用增量模型检测流数据中的异常值。

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约25%数据的随机样本中。

Idxtt = randsample([true false false false]，n,true);TTMdl = fitcnb(X(idxtt，:)，Y(idxtt))
TTMdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' NumObservations: 6167 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

IncrementalMdl是一个incrementalClassificationNaiveBayes对象。IncrementalMdl表示一种用于增量学习的朴素贝叶斯分类模型;参数值与TTMdl．

检测异常值

利用传统训练模型和训练数据确定异常值的无条件密度阈值。异常值是流数据中产生密度低于阈值的观测值。

ttlp = logp(TTMdl,X(idxtt，:));[~，lower] = isoutlier(ttlp)
Lower = -336.0424

在其余数据中检测这些异常值。通过一次处理一个观测来模拟一个数据流。在每次迭代中，调用logp计算观测值的对数无条件概率密度并存储每个值。

%预先配置Idxil = ~idxtt;Nil = sum(idxil);numObsPerChunk = 1;nchunk = floor(nil/numObsPerChunk);Lp = 0 (nchunk,1);Iso = false(nchunk,1);Xil = X(idxil，:);Yil = Y(idxil);增量处理为j = 1:nchunk ibegin = min(nil,numObsPerChunk*(j-1) + 1);iend = min(nil,numObsPerChunk*j);Idx = ibegin:iend;lp(j) = logp(IncrementalMdl,Xil(idx，:));Iso (j) = lp(j) < lower;结束

绘制流数据的对数无条件概率密度。确定异常值。

图;H1 =图(lp);持有在X = 1:nchunk;H2 = plot(x(iso)，lp(iso)，的r *）;H3 = yline(下，“g——”）;xlim ([0 nchunk]);ylabel (“无条件的密度”)包含(“迭代”)传说([h1 h2 h3]，[“对数无条件概率”“局外人”“阈值”)举行从

图中包含一个轴对象。axis对象包含3个类型为line、constantline的对象。这些对象表示Log无条件概率，异常值，阈值。

输入参数

全部折叠

用于增量学习的朴素贝叶斯分类模型，指定为incrementalClassificationNaiveBayes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。

您必须配置Mdl计算一批观测数据的对数条件概率密度。

  • 如果Mdl是一个转换的，传统的训练模型，你可以计算日志条件概率没有任何修改。

  • 否则,Mdl。DistributionParameters一定是单元格矩阵用的吗Mdl。NumPredictors> 0列和至少一行，其中每行对应于中的每个类名Mdl。一会．

用于计算日志条件概率密度的一批预测器数据，指定为n——- - - - - -Mdl。NumPredictors浮点矩阵。

为每一个j= 1到n,如果X (j:)至少包含一个南，lp (j）是南．

数据类型:单|双

输出参数

全部折叠

日志无条件概率密度，作为n-by-1浮点向量。lp (j）预测因子的对数无条件概率密度是否在X (j:)．

数据类型:单|双

更多关于

全部折叠

无条件概率密度

的无条件概率密度其中一个预测因子是密度在各个类上的边缘分布。

也就是说，无条件概率密度是

P （ X 1 ， ．． ， X P ） ＝ ∑ k ＝ 1 K P （ X 1 ， ．． ， X P ， Y ＝ k ） ＝ ∑ k ＝ 1 K P （ X 1 ， ．． ， X P | y ＝ k ） π （ Y ＝ k ） ，

在哪里π（Y＝k)为类先验概率。给定类(P（X1, . .XP|y＝k))，类先验概率分布是训练选项(也就是说，你在训练分类器时指定它们)。

先验概率

的先验概率一个类别是假设的相对频率，从该类别的观察出现在一个总体。

版本历史

R2021a中引入

另请参阅

对象

功能

主题