预测
从增量学习的线性模型中预测对新观察的反应
描述
例子
预测类标签
加载人工活动数据集。
负载humanactivity
关于数据集的详细信息，请输入描述在命令行。
反应可以分为五类：坐、站、走、跑或跳舞。通过确定受试者是否在移动来区分反应(活动> 2)。
Y = actid > 2;
对整个数据集拟合一个线性分类模型。
TTMdl = fitclinear(壮举,Y)
TTMdl=ClassificationLinear ResponseName:'Y'类名称：[0 1]ScoreTransform:'none'测试版：[60×1双]偏差：-0.2005 Lambda:4.1537e-05学习者：“svm”属性、方法
TTMdl是一个ClassificationLinear表示传统训练线性分类模型的模型对象。
将传统的训练线性分类模型转换为二元线性分类模型进行增量学习。
IncrementalMdl = incrementalLearner (TTMdl)
IncrementalMdl = incrementalClassificationLinear IsWarm: 1 Metrics: [1×2 table] ClassNames: [0 1] ScoreTransform: 'none' Beta: [60×1 double] Bias: -0.2005 Learner: 'svm'属性，方法
IncrementalMdl是一个递增分类线性使用SVM为增量学习准备模型对象。
这个
incrementalLearner函数通过向增量学习器传递已学习的系数以及其他信息来初始化增量学习器TTMdl从培训数据中学习。IncrementalMdl是温暖的IsWarm是1.)，这意味着增量学习功能可以开始跟踪性能指标。这个
incrementalLearner使用自适应比例不变解算器配置要训练的模型，而fitclinear训练TTMdl使用BFGS求解器
通过转换传统训练模型而产生的增量式学习者可以在不进行进一步处理的情况下生成预测。
使用这两个模型预测所有观察值的类标签。
ttlabels =预测(TTMdl壮举);illables =预测(IncrementalMdl壮举);sameLabels = sum(ttlabels ~= illables) == 0
sameLabels =必然的1.
两个模型对每个观测结果都预测了相同的标签。
在Data中指定观测方向
如果您沿着预测器数据矩阵的列方向进行观察，您可以在增量学习期间体验到效率的提高。
加载并洗牌2015年纽约市住房数据集。有关数据的详细信息，请参见纽约公开数据．
负载NYCHousing2015rng (1)%的再现性n =大小(NYCHousing2015, 1);shuffidx = randsample (n, n);NYCHousing2015 = NYCHousing2015 (shuffidx:);
提取响应变量销售价格从表中。将日志转换应用于销售价格．
Y=对数（NYCHousing2015.SALEPRICE+1）；%添加1以避免记录0NYCHousing2015。SALEPRICE = [];
从分类预测器中创建虚拟变量矩阵。
catvars = [“区”“BUILDINGCLASSCATEGORY”“社区”]; dumvarstbl=varfun（@（x）dummyvar（分类（x）），NYCHousing2015，．..“输入变量”，catvars）；dumvarmat=表2阵列（dumvarstbl）；NYCHousing2015（：，catvars）=[]；
将表中所有其他数字变量视为销售价格的线性预测。将虚拟变量矩阵连接到其余预测数据，并对数据进行转置，以加快计算速度。
idxnum=varfun（@isnumeric，NYCHousing2015，“OutputFormat”,“统一”）;X = [dumvarmat NYCHousing2015{:，idxnum}]';
为增量学习配置一个没有估计周期的线性回归模型。
Mdl = incrementalRegressionLinear (“学习者”,“租赁广场”,“EstimationPeriod”, 0);
Mdl是一个增量回归线性模型对象。
通过对每次迭代执行以下步骤，执行增量学习和预测：
通过一次处理100个观测值来模拟数据流。
将模型与传入数据块进行拟合。指定观察值沿数据列方向排列。用新模型覆盖以前的增量模型。
使用拟合模型和传入数据块预测响应。指定观察值沿数据列方向排列。
%预分配numObsPerChunk=100；n=numel（Y）；nchunk=floor（n/numObsPerChunk）；r=nan（n，1）；图h=plot（r）；h.YDataSource=“r”; 伊拉贝尔(“残差”)包含(“迭代”)%增量式拟合对于n = 2:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl =适合(Mdl X (:, idx), Y (idx),“ObservationsIn”,“专栏”）;yhat =预测(Mdl X (:, idx),“ObservationsIn”,“专栏”）;r(idx) = Y(idx) - yhat;refreshdata drawnow终止
Mdl是一个增量回归线性对流中的所有数据进行训练的模型对象。
残差在增量学习中对称地分布在0附近。
计算后验概率
为了计算后验类别概率，指定逻辑回归增量学习器。
加载人工活动数据集。随机洗牌数据。
负载humanactivityn =元素个数(actid);rng (10);%的再现性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。
反应可以分为五类：坐、站、走、跑或跳舞。通过确定受试者是否在移动来区分反应(活动> 2)。
Y=Y>2；
为二元分类创建一个增量逻辑回归模型。它准备预测通过指定类名和任意系数和偏差值。
p =大小(X, 2);β= randn (p, 1);偏见= randn (1);Mdl = incrementalClassificationLinear (“学习者”,“物流”,“β”,β,．..“偏见”偏见“类名”,独特的(Y));
Mdl是一个递增分类线性模型。它的所有属性都是只读的。不需要指定任意值，您可以采取以下任何一种操作来准备模型:
用遗传算法训练二元分类的logistic回归模型
fitclinear在数据子集上（如果可用），然后使用incrementalLearner．增量拟合
Mdl通过使用适合．
模拟一个数据流，并对每个传入的50个观察数据块执行以下操作。
调用
预测预测传入数据块中观测值的分类分数。分类分数是logistic回归学习者的后验类概率。调用
perfcurve使用传入数据块计算ROC曲线下面积(AUC)，并存储结果。调用
适合将模型与传入数据块相匹配。使用与传入观测值相匹配的新模型覆盖以前的增量模型。
numObsPerChunk=50；nchunk=楼层（n/numObsPerChunk）；auc=零（nchunk，1）；%增量学习对于n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;[~, posteriorProb] =预测(Mdl X (idx:));[~, ~, ~, auc (j)] = perfcurve (Y (idx) posteriorProb (:, 2), Mdl.ClassNames (2));Mdl =适合(Mdl X (idx:), Y (idx));终止
Mdl是一个递增分类线性对流中的所有数据进行训练的模型对象。
在传入的数据块上绘制AUC。
绘图（auc）ylabel(“AUC”)包含(“迭代”)
AUC表明分类器能够很好地正确预测运动对象。
输入参数
输出参数
更多关于
扩展功能
你也可以从以下列表中选择一个网站:
