损失

批数据增量学习的线性模型损失

在页面上崩溃

语法

L =损失(Mdl, X, Y)

L =损失(Mdl, X, Y,名称,值)

描述

损失返回线性回归的配置增量学习模型的回归或分类损失(incrementalRegressionLinear对象）或线性二进制分类（incrementalClassificationLinear对象)。

要测量数据流上的模型性能并将结果存储在输出模型中，调用updateMetrics或updateMetricsAndFit．

例子

l=损失(Mdl，X，Y）返回增量学习模型的损失Mdl使用这批预测数据X和相应的反应Y．

例子

l=损失(Mdl，X，Y，名称,值）使用由一个或多个名称值对参数指定的其他选项。例如，您可以指定预测器数据矩阵的列对应于观察，或指定分类损耗函数。

例子

全部折叠

在增量学习过程中度量模型性能

打开生活的脚本

增量模型在流数据上的性能可以用三种方法来衡量:

累积指标衡量自增量学习开始以来的表现。
窗口指标测量指定的观察窗口上的性能。每次模型处理指定的窗口时都会更新指标。
的损失函数仅度量指定一批数据的性能。

加载人工活动数据集。随机洗牌数据。

负载人类活动n = numel（actid）;RNG（1）;%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);

关于数据集的详细信息，请输入描述在命令行。

回答可以是五种类型之一:坐、站、走、跑或跳舞。通过识别被试是否在移动(actid> 2）。

Y = Y > 2;

建立二元分类的增量线性支持向量机模型。配置它损失通过指定类名、先验类分布(均匀)、任意系数和偏差值。指定1000个观察值的指标窗口大小。

p =大小(X, 2);β= randn (p, 1);偏见= randn (1);Mdl = incrementalClassificationLinear ('beta',β,“偏见”偏见,......“类名”，独特（Y），“之前”，'制服'，'metricswindowsize', 1000);

Mdl是一个incrementalClassificationLinear模型。它的所有属性都是只读的。不需要指定任意值，您可以采取以下任一操作来配置模型:

训练一个支持向量机模型使用fitcsvm或FitClinear.在数据的子集上(如果可用)，然后将模型转换为增量学习者使用incrementallearner.．
逐步适应Mdl通过使用来数据适合．

模拟数据流，并在50个观察的每个传入块上执行以下操作：

称呼updateMetrics测量观察窗口内的累积性能和性能。用新的一个覆盖以前的增量模型来跟踪性能指标。
称呼损失来测量模型在传入块上的性能。
称呼适合使模型与传入的数据块相匹配。用一个适合传入观测的新模型覆盖先前的增量模型。
存储所有性能指标，以查看它们在增量学习过程中是如何发展的。

%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);ce = array2table (0 (nchunk, 3),'variablenames'，[“累积”“窗口”“损失”]）;%增量学习为n = 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 [“累积”“窗口”]} = Mdl。指标{“ClassificationError”,:};ce {j,“损失”} =损失(Mdl X (idx:), Y (idx));Mdl =适合(Mdl X (idx:), Y (idx));结束

Mdl是一个incrementalClassificationLinear模型对象在流中的所有数据上培训。在增量学习期间和模型预热后，updateMetrics检查模型的性能对传入的观察，然后适合函数使模型符合这个观察。损失是不可知的指标预热期，因此它度量所有迭代的分类错误。

要了解培训期间演化的性能指标如何，请绘制它们。

图;情节(ce.Variables);xlim ([0 nchunk]);ylim (0.05 [0]) ylabel (分类错误的）xline（mdl.metricswarmupperiod / numobsperchunk，r -。）;传奇(ce.Properties.VariableNames)包含(“迭代”）

图中包含一个轴对象。坐标轴对象包含4个类型为line、constantline的对象。这些对象表示累积、窗口、损失。

在指标预热期间(红线左边的区域)，黄线表示每个传入数据块上的分类错误。在指标热身期之后，Mdl跟踪累积指标和窗口指标。累积损失和批损失收敛为适合函数适合传入数据的增量模型。

计算传入数据块的自定义损失

打开生活的脚本

拟合一个增量学习模型对流数据回归，并计算传入数据批的平均绝对偏差(MAD)。

加载机器人手臂数据集。获得样本量n以及预测变量的数量p．

负载robotarmn =元素个数(ytrain);p =大小(Xtrain 2);

关于数据集的详细信息，请输入描述在命令行。

为回归创建一个增量线性模型。模型配置如下:

指定度量预热时间为1000个观察。
指定一个指标窗口大小为500个观察值。
跟踪平均绝对偏差（MAD）以测量模型的性能。创建一个匿名函数，测量每个新观察的绝对错误。创建包含名称的结构数组MeanAbsoluteError及其相应的功能。
配置模型以通过指定所有回归系数和偏差为0来预测响应。

Maefcn = @（z，zfit，w）（abs（z  -  zfit））;maemetric = struct（“MeanAbsoluteError”, maefcn);Mdl = incrementalRegressionLinear (“MetricsWarmupPeriod”, 1000,'metricswindowsize'500，......“指标”，raemetric，'beta'，零（p，1），“偏见”0,'估计period', 0)

Mdl = incrementalRegressionLinear IsWarm: 0 Metrics: [2x2 table] ResponseTransform: 'none' Beta: [32x1 double] Bias: 0 Learner: 'svm'属性，方法

Mdl是一个incrementalRegressionLinear为增量学习配置的模型对象。

执行增量学习。在每一次迭代:

通过处理50个观察数据块来模拟数据流。
称呼updateMetrics计算传入数据块的累积和窗口指标。用一个适合覆盖先前指标的新模型覆盖先前的增量模型。
称呼损失来计算传入数据块的MAD。然而累积和窗口度量要求自定义损失返回每个观测的损失，损失需要整块的损失。计算绝对偏差的平均值。
称呼适合将增量模型拟合到传入数据块。
存储累积、窗口和块指标，以查看它们在增量学习期间是如何发展的。

%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);美= array2table (0 (nchunk, 3),'variablenames'，[“累积”“窗口”“块”]）;%增量式拟合为n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl = updateMetrics (Mdl Xtrain (idx:), ytrain (idx));美{j, 1:2} = Mdl。指标{“MeanAbsoluteError”,:};美{j 3} =损失(Mdl, Xtrain (idx:), ytrain (idx),'lockfun'@ (x, y, w)意味着(maefcn (x, y, w)));Mdl =适合(Mdl Xtrain (idx:), ytrain (idx));结束

IncrementalMdl是一个incrementalRegressionLinear模型对象在流中的所有数据上培训。在增量学习期间和模型预热后，updateMetrics检查模型对传入观察的性能，以及适合函数使模型符合这个观察。

绘制性能指标，看看它们在增量学习过程中是如何发展的。

图;h =情节(mae.Variables);ylabel (的平均绝对偏差）xline（mdl.metricswarmupperiod / numobsperchunk，r -。）;包含(“迭代”传奇(h, mae.Properties.VariableNames)

图中包含一个轴对象。坐标轴对象包含4个类型为line、constantline的对象。这些对象代表累积，窗口，块。

这个情节暗示了以下内容:

updateMetrics仅在指标预热时间后计算性能指标。
updateMetrics在每次迭代期间计算累积度量。
updateMetrics在处理500个观测值后计算窗口度量值
因为Mdl被配置为从增量学习开始就预测观察结果，损失可以计算每个传入数据块的MAD。

输入参数

全部折叠

`Mdl`- - - - - -增量学习模型
`incrementalClassificationLinear`模型对象|`incrementalRegressionLinear`模型对象

增量学习模型，指定为incrementalClassificationLinear或incrementalRegressionLinear模型对象。您可以创建Mdl直接或通过使用支持的传统培训的机器学习模型转换金宝appincrementallearner.函数。有关更多详细信息，请参阅相应的参考页面。

您必须配置Mdl通过一组观测来计算它的损失。

如果Mdl是一个转换的传统训练的模型，您可以在没有任何修改的情况下计算其损失。
除此以外，Mdl必须满足以下条件，您可以直接指定或通过拟合Mdl使用的数据适合或updateMetricsAndFit．
- 如果Mdl是一个incrementalRegressionLinear模型，其模型系数Mdl。β和偏见Mdl。偏见必须是非空数组。
- 如果Mdl是一个incrementalClassificationLinear模型，其模型系数Mdl。β和偏见Mdl。偏见必须是非空数组，类名Mdl。ClassNames必须包含两个类，和先前的类分布Mdl。之前必须包含已知值。
- 无论对象类型如何，如果您配置模型，使函数标准化预测器数据，预测器意味着Mdl。μ和标准偏差Mdl。年代igma必须是非空数组。

`X`- - - - - -预测数据批
浮点矩阵

用于计算损失的一批预测数据，指定为的浮点矩阵n观察和Mdl。NumPredictors预测变量。的价值“ObservationsIn”名称-值对参数决定变量和观察值的方向。

观察标签的长度Y和观察人数X必须是相等的;Y (j）是观察的标签j(行或列)在X．

请注意

损失金宝app仅支持浮点输入预测器数据。如果输入模型Mdl表示转换的，传统训练的模型适合分类数据，使用dummyvar将每个分类变量转换为虚拟变量的数字矩阵，并将所有虚拟变量矩阵和任何其他数字预测器连接起来。有关详细信息，请参见虚拟变量．

数据类型:单身的|双

`Y`- - - - - -批量标签
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

用于计算损失的一批标签，指定为用于分类问题的类别、字符或字符串数组、逻辑或浮点向量，或字符向量的单元数组;或者是用于回归问题的浮点向量。

观察标签的长度Y和观察人数X必须是相等的;Y (j）是观察的标签j(行或列)在X．

对于分类问题:

损失金宝app仅支持二进制分类。
当一会输入模型的属性Mdl是非空的，以下条件适用：
- 如果Y包含一个不是成员的标签Mdl。ClassNames，损失一个错误的问题。
- 的数据类型Y和Mdl。ClassNames肯定是一样的。

数据类型:字符|字符串|细胞|分类|逻辑|单身的|双

名称-值参数

指定可选的逗号分隔的对名称,值参数。姓名参数名和价值为对应值。姓名必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“ObservationsIn”、“列”、“重量”,W指定预测器矩阵的列对应于观测值和向量W包含要应用的观测权值。

`LossFun`- - - - - -损失函数
弦矢量|函数处理|细胞向量|结构数组|......

损失函数，指定为逗号分隔对组成'lockfun'和内置丢失函数名称或功能句柄。

分类问题：下表列出了可用损耗功能时Mdl是一个incrementalClassificationLinear模型。使用其对应的字符向量或字符串标量指定一个。

姓名	描述
`“binodeviance”`	二项式偏差
`“classiferror”`(默认)	十进制误分类率
`“指数”`	指数损失
`“枢纽”`	铰链的损失
`“分对数”`	物流损失
`“二次”`	二次损失

有关详细信息，请参见分类损失．

Logistic回归学习者将后续概率作为分类分数退回，但SVM学习者没有（见预测）．

要指定自定义的损失函数，请使用函数句柄表示法。函数必须是这样的形式:

lossval =lossfcn(C S W)

输出参数lossval是一个n- 1个浮点矢量，在哪里lossval (j）是分类的观察丧失j．
指定函数名(lossfcn）．
C是一个n-2-2逻辑矩阵，具有指示相应观察所属的类的行。列顺序对应于类顺序一会财产。创建C通过设置C (p，问）＝1，如果观察p是在课堂上问，用于指定数据中的每一个观测。设置行中的其他元素p到0．
年代是一个n预测分类分数的-by-2数字矩阵。年代类似于分数的输出预测，其中行对应于数据中的观察值，列顺序对应于一会财产。s（p，问）是观察的分类评分吗p被分类问．
W是一个n-乘1数值向量的观测权值。

回归问题：下表列出了可用损耗功能时Mdl是一个incrementalRegressionLinear模型。使用其对应的字符向量或字符串标量指定一个。

姓名	描述	学习者支持度规金宝app
`“epsiloninsensitive”`	ε不敏感损失	`'svm'`
`“mse”`(默认)	加权均方误差	`'svm'`和`“leastsquares”`

有关详细信息，请参见回归的损失．

要指定自定义的损失函数，请使用函数句柄表示法。函数必须是这样的形式:

lossval =lossfcn(Y, YFit W)

输出参数lossval是浮点标量。
指定函数名(lossfcn）．
Y是一个长度n观测响应的数值向量。
YFit是一个长度n相应预测响应的数字矢量。
W是一个n-乘1数值向量的观测权值。

例子:'lockfun'，“mse”

例子:“LossFun”@lossfcn

数据类型:字符|字符串|function_handle

`观察`- - - - - -预测数据观察维度
`“行”`（默认）|`“列”`

预测仪数据观察维度，指定为逗号分隔的配对组成“ObservationsIn”和“列”或“行”．

数据类型:字符|字符串

`权重`- - - - - -观测权重批
浮点正数向量

批观测权值，指定为逗号分隔对组成“重量”和一个正的浮点向量。损失将输入数据中的观测值与输入数据中的相应值进行权衡权重．的大小权重必须等于n，这是输入数据中的观察数。

默认情况下,权重是(n, 1)．

有关详细信息，请参见观察权重．

数据类型:双|单身的

输出参数

全部折叠

`l`- 分类或回归损失
数字标量

分类或回归损失，作为数字标量返回。的解释l取决于权重和LossFun．

损失函数	的价值`LossFun`	方程
二项式偏差	`“binodeviance”`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 日志｛ 1 + exp. ［ - 2 米_{j} ］｝．$
指数损失	`“指数”`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} exp. （ - 米_{j} ）．$
十进制误分类率	`“classiferror”`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 我｛ {\overset{＾}{y}}_{j} \neq y_{j} ｝．$ ${\overset{＾}{y}}_{j}$ 为得分最大的类对应的类标签。我｛·}是指示函数。
铰链的损失	`“枢纽”`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 马克斯｛ 0 ， 1 - 米_{j} ｝．$
分对数损失	`“分对数”`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 日志（ 1 + exp. （ - 米_{j} ））．$
二次损失	`“二次”`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} {（ 1 - 米_{j} ）}^{2} ．$

损失函数	的价值`LossFun`	方程
ε不敏感损失	`“epsiloninsensitive”`	$l ＝马克斯［ 0 ， \| y - f （ x ） \| - ε ］．$
均方误差	`“mse”`	$l ＝ {［ y - f （ x ）］}^{2} ．$

算法

全部折叠

观察权重

对于分类问题，如果先验类别概率分布已知(换句话说，先验分布不是经验的)，损失将观察权值归一化到各自类中的先验类概率。这个操作意味着，默认情况下，观察权值是各自的先验类概率。

对于回归问题或如果先验类概率分布是经验的，该软件将指定的观察权值归一化，使其每次调用都为1损失．

扩展能力

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

使用saveLearnerForCoder，loadlearnerforcoder.,Codegen.(MATLAB编码器)生成的代码损失函数。通过使用保存一个训练过的模型saveLearnerForCoder．定义一个入口点函数，通过使用loadlearnerforcoder.并调用损失函数。然后使用Codegen.为入口点函数生成代码。
为。生成单精度C/ c++代码损失，指定名称-值参数'dataType'，'single'当你呼叫loadlearnerforcoder.函数。

此表包含有关参数的注释损失．不包含此表中未包含的参数完全支持。金宝app

论点	笔记和局限性
`Mdl`	有关模型对象的使用说明和限制，请参见`incrementalClassificationLinear`或`incrementalRegressionLinear`．
`X`	批到批，观察的数量可以是一个可变的大小，但必须等于`Y`．预测变量的数量必须等于`Mdl。NumPredictors`． `X`必须`单身的`或`双`．
`Y`	批到批，观察的数量可以是一个可变的大小，但必须等于`X`．对于分类问题，所有的标签都在`Y`必须以`Mdl。ClassNames`． `Y`和`Mdl。ClassNames`必须具有相同的数据类型。
`'lockfun'`	指定的函数不能是匿名函数。

如果您配置Mdl打乱数据(Mdl。年代huffle是真正的，或者Mdl。年代olver是“sgd”或“asgd”),损失函数在将模型拟合到批次之前随机随机洗牌。随机观察的顺序可能与Matlab生成的顺序不符^®．因此，如果你适合Mdl在计算损失之前，在MATLAB中计算的损失和由生成的代码计算的损失可能不相等。
对所有浮点输入参数和对象属性使用同构数据类型单身的或双．

有关更多信息，请参见代码生成简介．

另请参阅

对象

incrementalClassificationLinear|incrementalRegressionLinear

功能

updateMetrics|适合|updateMetricsAndFit|预测

主题

介绍了R2020b

损失

语法

描述

例子

在增量学习过程中度量模型性能

计算传入数据块的自定义损失

输入参数

`Mdl`- - - - - -增量学习模型
`incrementalClassificationLinear`模型对象|`incrementalRegressionLinear`模型对象

`X`- - - - - -预测数据批
浮点矩阵

`Y`- - - - - -批量标签
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

名称-值参数

`LossFun`- - - - - -损失函数
弦矢量|函数处理|细胞向量|结构数组|......

`观察`- - - - - -预测数据观察维度
`“行”`（默认）|`“列”`

`权重`- - - - - -观测权重批
浮点正数向量

输出参数

`l`- 分类或回归损失
数字标量

更多关于

分类损失

回归的损失

算法

观察权重

扩展能力

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

另请参阅

对象

功能

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

损失

语法

描述

例子

在增量学习过程中度量模型性能

计算传入数据块的自定义损失

输入参数

Mdl- - - - - -增量学习模型incrementalClassificationLinear模型对象|incrementalRegressionLinear模型对象

X- - - - - -预测数据批浮点矩阵

Y- - - - - -批量标签分类数组|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

名称-值参数

LossFun- - - - - -损失函数弦矢量|函数处理|细胞向量|结构数组|......

观察- - - - - -预测数据观察维度“行”（默认）|“列”

权重- - - - - -观测权重批浮点正数向量

输出参数

l- 分类或回归损失数字标量

更多关于

分类损失

回归的损失

算法

观察权重

扩展能力

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

另请参阅

对象

功能

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

`Mdl`- - - - - -增量学习模型
`incrementalClassificationLinear`模型对象|`incrementalRegressionLinear`模型对象

`X`- - - - - -预测数据批
浮点矩阵

`Y`- - - - - -批量标签
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

`LossFun`- - - - - -损失函数
弦矢量|函数处理|细胞向量|结构数组|......

`观察`- - - - - -预测数据观察维度
`“行”`（默认）|`“列”`

`权重`- - - - - -观测权重批
浮点正数向量

`l`- 分类或回归损失
数字标量

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。