增量学习
增量学习,或在线学习,涉及到处理传入的数据从数据流,可能因为没有知识分布的预测变量,目标函数方面,观察是否标示。增量学习问题与传统的机器学习方法,在足够的标签数据可用来适应一个模型,优化hyperparameters进行交叉验证,推断预测分布特征。
增量学习需要配置增量式模型。你可以直接创建和配置一个增量模型通过调用一个对象,例如incrementalClassificationLinear
,或者你可以支持传统的训练模式转换为增量学习者金宝app通过使用incrementalLearner
。后配置模型和建立一个数据流,可以适应增量式模型传入的数据块,跟踪模型的预测性能,或同时执行这两个操作。
更多细节,请参阅增量学习概述。
你也可以逐步监控概念漂移的数据,如分类错误。首先你需要配置漂移探测器使用incrementalConceptDriftDetector
。建立一个数据流后,可以更新漂移探测器和检查任何漂移detectdrift
。有关更多信息,请参见页面的引用。
功能
Drift-Aware学习
创建增量Drift-Aware模型
incrementalDriftAwareLearner |
构建drift-aware增量学习的典范 |
逐步适应和跟踪性能
适合 |
火车drift-aware学习者与新数据增量学习 |
updateMetrics |
更新性能指标增量drift-aware学习模型得到新的数据 |
updateMetricsAndFit |
更新性能指标增量drift-aware学习模型给出新的数据和训练模式 |
其他模型操作
损失 |
回归或分类错误的增量drift-aware学习者 |
perObservationLoss |
每观察回归或分类错误的增量drift-aware学习者 |
预测 |
从增量drift-aware学习模型预测反应的新观察 |
重置 |
重置增量drift-aware学习者 |
内核二进制分类
创建增量模型
incrementalClassificationKernel |
增量学习内核二进制分类模型 |
incrementalLearner |
内核二进制分类模型转换为增量学习 |
逐步适应和跟踪性能
适合 |
火车内核增量学习模型 |
updateMetrics |
更新内核中的性能指标增量学习模型得到新的数据 |
updateMetricsAndFit |
更新内核中的性能指标增量学习模型给定的新数据和训练模型 |
其他模型操作
预测 |
从内核增量学习模型预测反应的新观察 |
损失 |
损失的内核对批数据增量学习模型 |
perObservationLoss |
每观察分类错误的增量学习模型 |
重置 |
重置增量分类模型 |
线性二元分类
创建增量模型
incrementalClassificationLinear |
二进制分类线性模型的增量学习 |
incrementalLearner |
转换成二进制分类支持向量机(SVM)模型增量学习金宝app |
incrementalLearner |
线性模型转换为二进制增量学习分类 |
逐步适应和跟踪性能
适合 |
火车线性模型的增量学习 |
updateMetrics |
更新性能指标在线性增量学习模型给定的新数据 |
updateMetricsAndFit |
更新性能指标在线性增量学习模型给定的新数据和训练模式 |
其他模型操作
预测 |
从线性增量学习模型预测反应的新观察 |
损失 |
失去对批数据线性增量学习模型 |
perObservationLoss |
每观察分类错误的增量学习模型 |
重置 |
重置增量分类模型 |
多级ECOC分类
创建增量模型
incrementalClassificationECOC |
多级分类模型使用二进制增量学习的学习者 |
incrementalLearner |
将多级纠错输出编码(ECOC)模型增量学习 |
逐步适应和跟踪性能
适合 |
火车ECOC分类模型的增量学习 |
updateMetrics |
更新ECOC增量学习分类模型的性能指标得到新的数据 |
updateMetricsAndFit |
更新ECOC中的性能指标增量学习分类模型给出新的数据和训练模式 |
其他模型操作
预测 |
预测反应的新观测ECOC增量学习分类模型 |
损失 |
失去ECOC增量学习对批数据分类模型 |
perObservationLoss |
每观察分类错误的增量学习模型 |
重置 |
重置增量分类模型 |
朴素贝叶斯分类
创建增量模型
incrementalClassificationNaiveBayes |
朴素贝叶斯分类模型的增量学习 |
incrementalLearner |
朴素贝叶斯分类模型转换为增量学习 |
逐步适应和跟踪性能
适合 |
火车朴素贝叶斯分类模型的增量学习 |
updateMetrics |
在朴素贝叶斯更新性能指标增量学习分类模型得到新的数据 |
updateMetricsAndFit |
在朴素贝叶斯更新性能指标增量学习分类模型给出新的数据和训练模式 |
其他模型操作
预测 |
从朴素贝叶斯预测反应的新观察增量学习分类模型 |
损失 |
朴素贝叶斯损失增量学习对批数据分类模型 |
logp |
日志无条件概率密度的朴素贝叶斯分类模型的增量学习 |
perObservationLoss |
每观察分类错误的增量学习模型 |
重置 |
重置增量分类模型 |
概念漂移检测
创建概念漂移探测器
incrementalConceptDriftDetector |
实例化增量概念漂移探测器 |
检测漂移和重置模型
detectdrift |
更新漂移探测器状态和漂移状态的新数据 |
重置 |
重置增量概念漂移探测器 |
对象
增量概念漂移探测器
DriftDetectionMethod |
增量漂移探测器,利用漂移检测方法(DDM) |
HoeffdingDriftDetectionMethod |
增量概念漂移探测器,利用霍夫丁范围漂移检测方法(HDDM) |
主题
- 增量学习概述
发现增量学习的基本概念,包括增量学习对象、函数和工作流。
- 配置增量学习模型
准备一个增量学习模型的增量数据流绩效评估和培训。
- 使用简洁的工作流实现增量学习分类
使用简洁的工作流来实现增量学习与prequential二进制分类评价。
- 使用灵活的工作流实现增量学习分类
使用一个灵活的工作流来实现增量学习与prequential二进制分类评价。
- 初始化增量学习模型从逻辑回归模型在分类学习者训练
火车使用分类学习者应用logistic回归模型,然后初始化一个二进制分类使用增量模型估计系数。
- 执行条件在增量学习培训
使用灵活的工作流来实现条件与朴素贝叶斯多类分类培训在增量学习模型。
- 逐步执行文本分类
这个例子展示了如何逐步训练模型分类文档文件中基于词频率;一个bag-of-words模型。
- 用朴素贝叶斯和异构数据增量学习
这个例子展示了如何准备异构预测数据,包含实值和绝对测量,使用朴素贝叶斯分类器对增量学习。
- 学习使用Drift-Aware监控设备的健康状况
这个例子展示了如何自动化的过程监控的健康状态冷却系统使用增量drift-aware学习模型和流数据框架MATLAB®生产服务器™。
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。