什么是渐进式学习?

增量学习,或在线学习，是机器学习的一个分支，涉及连续和实时地处理来自数据流的传入数据——可能对预测变量的分布、样本大小、预测或目标函数的各个方面(包括适当的调优参数值)知之甚少，以及观察结果是否有标签。

增量学习算法灵活、高效、自适应。增量学习与传统机器学习的区别在于:

在传统的机器学习中，利用一批标记数据进行交叉验证，估计泛化误差，调整超参数，推断预测变量分布，并拟合模型。然而，如果底层分布发生漂移或模型退化，则生成的模型必须从一开始就重新训练。尽管在增量学习环境中很难进行交叉验证来调整超参数，但增量学习方法是灵活的，因为它们可以实时适应分布漂移，随着模型训练更多的数据，预测精度接近传统训练模型。

假设一个增量模型准备生成预测并度量其预测性能。给定传入的观察数据块，增量学习方案以下列任何一种方式实时处理数据，但通常按照指定的顺序:

此过程是一个增量学习的特殊情况，其中所有传入的块都被视为测试（HoldOut）集。该过程称为交叉test-then-train或者prequential评价[1]．

如果存在不足的信息以生成预测的增量模型，或者您不想跟踪模型的预测性能，因为它尚未培训足够，您可以包括可选的初始步骤以查找超级参数的适当值，适用于金宝app支持一个（估计时间）或在模型评估之前的初始培训期（度量预热期)．

作为一个渐进学习问题的例子，考虑一个智能恒温器，它根据环境温度、相对湿度、一天中的时间和其他测量值自动设定温度，并可以了解用户的室内温度偏好。假设制造商通过嵌入一个已知模型来准备设备，该模型描述了给定测量值的普通人的偏好。安装完成后，设备每分钟采集一次数据，并将温度调整到预设值。恒温器根据用户对设备的动作或不动作来调整嵌入式模型，或对自身进行再训练。这种循环可以无限期地持续下去。如果恒温器有有限的磁盘空间来存储历史数据，那么它需要实时地对自己进行重新培训。如果制造商没有为设备准备一个已知的模型，设备会更经常地重新训练自己。

增量学习MATLAB

统计学和机器学习工具箱™功能使您能够实现分类或回归的增量学习。与统计学和机器学习工具箱的其他机器学习功能一样，进入增量学习的入口点是一个增量学习对象，您将其传递给带有数据的函数，以实现增量学习。与其他机器学习功能不同，创建增量学习对象不需要数据。然而，除了模型的参数化形式和特定问题选项之外，增量学习对象还指定了如何处理传入数据，例如何时适合模型、度量性能指标或同时执行两项操作。