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
对象
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™。
