このペ，ジの翻訳は最新ではありません。ここをクリックして，英語の最新版を参照してください。
incrementalLearner
単純ベ▪▪ズ分類モデルの▪▪ンクリメンタル学習器への変換
説明
IncrementalMdl= incrementalLearner (Mdl）Mdlのハパパラメタを使用して，ンクリメンタル学習用の単純ベ@ @ズ分類モデルIncrementalMdlを返します。プロパティ値はMdlから得られた知識を反映しているため，IncrementalMdlは新しい観測値に対してラベルの予測を行うことができます。また“ウォ，ム”となるため，予測性能が追跡されます。
IncrementalMdl= incrementalLearner (Mdl，名称,值）IncrementalMdlに学習させる必要があります。たとえば，“MetricsWarmupPeriod”,50岁,“MetricsWindowSize”,100は50個の観測値から成る,パフォーマンスメトリクスの追跡前のインクリメンタル学習の予備期間を指定し,パフォーマンスメトリクスを更新する前に100個の観測値を処理することを指定します。
例
従来式の学習済みモデルの@ @ンクリメンタル学習器への変換
fitcnbを使用して単純ベaapl . exeズモデルに学習させ，それをaapl . exeンクリメンタル学習器に変換します。
デ，タの読み込みと前処理
人の行動のデ，タセットを読み込みます。
负载humanactivity
デタセットの詳細にいては，コマンドランで描述を入力してください。
単純ベ@ @ズモデルの学習
単純ベ▪▪ズ分類モデルをデ▪▪タセット全体にあてはめます。
TTMdl = fitcnb(feat,actid);
TTMdlは従来式の学習済み単純ベ@ @ズ分類モデルを表すClassificationNaiveBayesモデルオブジェクトです。
学習済みモデルの変換
従来式の学習済み単純ベ▪▪ズ分類モデルを▪▪ンクリメンタル学習用に変換します。
IncrementalMdl =增量学习者(TTMdl)
IncrementalMdl = incrementalClassificationNaiveBayes IsWarm: 1 Metrics: [1x2 table] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' DistributionNames: {1x60 cell} DistributionParameters: {5x60 cell}属性，方法
IncrementalMdlは，単純ベaaplズ分類を使用するaaplンクリメンタル学習用に準備されたincrementalClassificationNaiveBayesモデルオブジェクトです。
関数
incrementalLearnerは，学習した条件付き予測子分布パラメ，タ，を，TTMdlが学習デタから抽出した他の情報と共に渡して，ンクリメンタル学習器を初期化します。IncrementalMdlはウォム(IsWarmが1)です。これは,インクリメンタル学習関数がパフォーマンスメトリクスの追跡と予測を実行できることを意味します。
応答予測
従来式の学習済みモデルから変換して作成したインクリメンタル学習器は,追加の処理なしで予測を生成できます。
両方のモデルを使用して，すべての観測値の分類スコア(クラス事後確率)を予測します。
[~，ttscores] = predict(TTMdl,feat);[~，ilcores] = predict(IncrementalMdl,feat);compareScores = norm(ttscores - ilcores)
compareScores = 0
モデルによって生成されたスコアの差は0です。
パフォ，マンスメトリクスオプションの構成
学習済みの単純ベaapl . aapl .ズモデルを使用して，aapl .ンクリメンタル学習器を初期化します。メトリクスのウォムアップ期間を指定して，ンクリメンタル学習器を準備します。その間，関数updateMetricsAndFitはモデルのあてはめのみを行います。メトリクスウィンドウサesc escズを観測値500個に指定します。
人の行動のデ，タセットを読み込みます。
负载humanactivity
デタセットの詳細にいては，コマンドランで描述を入力してください。
デタをランダムに2分割します。最初の半分は従来式のモデルの学習用，残りの半分は。
N = numel(actid);rng (1)%用于再现性CVP = cvpartition(n，“坚持”, 0.5);Idxtt =训练(cvp);Idxil = test(cvp);数据的前半部分Xtt = feat(idxtt，:);Ytt = actid(idxtt);数据的后半部分Xil = feat(idxil，:);Yil = actid(idxil);
デタの最初の半分に単純ベズモデルを当てはめます。
TTMdl = fitcnb(Xtt,Ytt);
従来式の学習済み単純ベ▪▪ズモデルを▪▪ンクリメンタル学習用の単純ベ▪▪ズ分類モデルに変換します。次を指定します。
メトリクスのウォムアップ期間は観測値2000個
メトリクスウィンドウサesc escズは観測値500個
分類誤差および最小コストを使用してモデルの性能を測定
增量mdl =增量学习者(TTMdl，“MetricsWarmupPeriod”, 2000,“MetricsWindowSize”, 500,.．.“指标”, (“classiferror”“枢纽”]);
関数updateMetricsAndfitを使用して，。各反復で次を行います。
20 .個の観測値を一度に処理して，デ，タストリ，ムをシミュレ，ト。
前のesc escンクリメンタルモデルを，入力観測値に当てはめた新しいモデルで上書き。
1番目のクラス内の2番目の予測子の平均 ,累積メトリクス,およびウィンドウメトリクスを保存し,インクリメンタル学習中にそれらがどのように進化するかを確認。
%预先配置nil =数字(Yil);numObsPerChunk = 20;nchunk = cell (nil/numObsPerChunk);Ce = array2table(0 (nchunk,2)，“VariableNames”, (“累积”“窗口”]);MC = array2table(0 (nchunk,2)，“VariableNames”, (“累积”“窗口”]);Mu12 = 0 (nchunk,1);%增量拟合为j = 1:nchunk ibegin = min(nil,numObsPerChunk*(j-1) + 1);iend = min(nil,numObsPerChunk*j);Idx = ibegin:iend;IncrementalMdl = updateMetricsAndFit(增量mdl,Xil(idx，:)，Yil(idx));ce{j，:} = IncrementalMdl。指标{“ClassificationError”,:};mc{j，:} = IncrementalMdl。指标{“MinimalCost”,:};mu12(j + 1) = incrementalmld . distributionparameters {1,2}(1);结束
IncrementalMdlは，ストリ，ム内のすべてのデ，タで学習させたincrementalClassificationNaiveBayesモデルオブジェクトです。ンクリメンタル学習中およびモデルがウォームアップされた後、updateMetricsAndFitは入力観測値でのモデルの性能をチェックし，モデルをその観測値にあてはめます。
パフォ，マンスメトリクスと が学習中にどのように進化したかを確認するには，それらを別々のサブプロットにプロットします。
图;Subplot (3,1,1) plot(mu12) ylabel(“\ mu_{12}”) xlim([0 nchunk]);参照线(IncrementalMdl。MetricsWarmupPeriod/numObsPerChunk,r -。）;subplot(3,1,2) h = plot(ce.Variables);xlim ([0 nchunk]);ylabel (分类错误的)参照线(IncrementalMdl。MetricsWarmupPeriod/numObsPerChunk,r -。）;传奇(h, ce.Properties.VariableNames“位置”，“西北”) subplot(3,1,3) h = plot(mc.Variables);xlim ([0 nchunk]);ylabel (“最小成本”)参照线(IncrementalMdl。MetricsWarmupPeriod/numObsPerChunk,r -。）;传奇(h, mc.Properties.VariableNames“位置”，“西北”)包含(“迭代”）
プロットは，updateMetricsAndFitが次を行うことを示しています。
を@ @ンクリメンタル学習のすべての反復で当てはめ。
パフォ，マンスメトリクスをメトリクスのウォ，ムアップ期間後にのみ計算。
累積メトリクスを各反復中に計算。
ウィンドウメトリクスを500個の観測値(25回の反復)の処理後に計算。
デ，タは行動で順序付けされるため，平均とパフォ，マンスメトリクスは定期的に急激に変動します。
入力引数
出力引数
詳細
アルゴリズム
参考
オブジェクト
関数
您也可以从以下列表中选择一个网站:
