incrementalRegressionLinear
ンクリメンタル学習用の線形回帰モデル
説明
incrementalRegressionLinear
はincrementalRegressionLinear
モデルオブジェクトを作成します。これは,回帰問題用の。サポトされる学習器には、サポート ベクター マシン (SVM) と最小二乗が含まれます。
他の统计和机器学习工具箱™モデルオブジェクトとは異なり,incrementalRegressionLinear
は直接呼び出すことができます。また,モデルをデータに当てはめる前に,パフォーマンスメトリクス構成,パラメーター値,および目的ソルバーなどの学習オプションを指定できます。incrementalRegressionLinear
オブジェクトを作成すると,ンクリメンタル学習用に準備されます。
incrementalRegressionLinear
は,电子邮件ンクリメンタル学習に最適です。SVMまたは線形回帰モデルに学習させるための従来のアプローチ(データへの当てはめによるモデルの作成,交差検証の実行,ハイパーパラメーターの調整など)については,fitrsvm
またはfitrlinear
を参照してください。
作成
incrementalRegressionLinear
モデルオブジェクトは,次のいくかの方法で作成できます。
関数の直接呼び出し-电子邮箱ンクリメンタル学習オプションを構成するか,
incrementalRegressionLinear
を直接呼び出して,線形モデルパラメタとハパパラメタの初期値を指定します。このアプロチは,デタがまだない場合やンクリメンタル学習をすぐに開始したい場合に最適です。従来式の学習済みモデルの変換——学習済みモデルオブジェクトのモデル係数およびハイパーパラメーターを使用して,インクリメンタル学習用の線形回帰モデルを初期化するには,従来式の学習済みモデルを関数
incrementalLearner
に渡してincrementalRegressionLinear
モデルオブジェクトに変換できます。この表には,適切なリファレンスペ,ジへのリンクが含まれています。変換可能なモデルオブジェクト 変換関数 RegressionSVM
またはCompactRegressionSVM
incrementalLearner
RegressionLinear
incrementalLearner
ンクリメンタル学習関数の呼び出し- - - - - -
适合
、updateMetrics
,およびupdateMetricsAndFit
は,構成済みのincrementalRegressionLinear
モデルオブジェクトおよびデータを入力として受け入れ,入力モデルとデータから学習した情報で更新されたincrementalRegressionLinear
モデルオブジェクトを返します。
説明
は線形回帰用の既定の@ @ンクリメンタルモデルオブジェクトMdl
= incrementalRegressionLinear ()Mdl
を返します。既定のモデルのプロパティには,未知のモデルパラメ,タ,用のプレ,スホルダ,が含まれています。既定のモデルは,パフォ,マンスを追跡したり,予測を生成したりする前に学習させなければなりません。
入力引数
オプションの引数のペアをName1 = Value1,…,以=家
として指定します。ここで的名字
は引数名,价值
は対応する値です。名前と値の引数は他の引数の後ろにする必要がありますが、ペアの順序は関係ありません。
R2021aより前では,名前と値をそれぞれコンマを使って区切り,的名字
を引用符で囲みます。
例:“标准化”,真的
は,推定期間中に推定された予測子の平均と標準偏差を使用して,予測子デ,タを標準化します。
指标
- - - - - -ンクリメンタル学習中に追跡するモデルのパフォ,マンスメトリクス
“epsiloninsensitive”
|“mse”
|字符串ベクトル|関数ハンドル|细胞ベクトル|構造体配列
ンクリメンタル学習中に追跡するモデルのパフォ,マンスメトリクス。組み込みの損失関数の名前,名前の字符串ベクトル,関数ハンドル(@metricName
),関数ハンドルの構造体配列,または名前,関数ハンドル,構造体配列の细胞ベクトルとして指定します。
Mdl
が“ウォ,ム”のとき(IsWarm
を参照),updateMetrics
およびupdateMetricsAndFit
はMdl
の指标
プロパティのパフォ,マンスメトリクスを追跡します。
次の表は,組み込みの損失関数名と,それらをサポ,トする学習器(学习者
で指定)の一覧です。字符串ベクトルを使用して、複数の損失関数を指定できます。
名前 | 説明 | メトリクスをサポ,トする学習器 |
---|---|---|
“epsiloninsensitive” |
プシロン不感応損失 | “支持向量机” |
“mse” |
重み付けされた平均二乗誤差 | “支持向量机” および“leastsquares” |
組み込み損失関数の詳細にいては,损失
を参照してください。
例:“指标”,(“epsiloninsensitive”“mse”)
パフォ,マンスメトリクスを返すカスタム関数を指定するには,関数ハンドル表記を使用します。関数は次の形式でなければなりません。
度量= customMetric(Y,YFit)
出力引数
度规
はn行1列の数値ベクトルです。ここで,各要素は、学習サイクル中にインクリメンタル学習関数によって処理されたデータの対応する観測値の損失です。関数名 (
customMetric
)を指定します。Y
は,観測応答の長さnの数値ベクトルです。ここで,nは標本サescズです。YFit
は,対応する予測応答の長さnの数値ベクトルです。
複数のカスタムメトリクスを指定し,それぞれにカスタム名を割り当てるには,構造体配列を使用します。組み込みメトリクスとカスタムメトリクスの組み合わせを指定するには,细胞ベクトルを使用します。
例:“指标”,结构(‘Metric2’,‘Metric1’,@customMetric1 @customMetric2)
例:'Metrics',{@customMetric1 @customMetric2 'mse' struct('Metric3',@customMetric3)}
updateMetrics
およびupdateMetricsAndFit
は,表で指定したメトリクスをプロパティ指标
に保存します。指标
のデ,タ型によって,表の行名が決まります。
“指标” 値のデ,タ型 |
指标 プロパティの行名の説明 |
例 |
---|---|---|
字符串または文字ベクトル | 対応する組み込みメトリクスの名前 | “epsiloninsensitive” の行名は“EpsilonInsensitiveLoss” |
構造体配列 | フィ,ルド名 | 结构(Metric1, @customMetric1) の行名は“Metric1” |
プログラムファ@ @ルに格納されている関数への関数ハンドル | 関数名 | @customMetric の行名は“customMetric” |
無名関数 | CustomMetric_ 。ここで, は指标 のメトリクス
|
@ (Y, YFit) customMetric (Y, YFit)… の行名はCustomMetric_1 |
既定の設定では,次のようになります。
学习者
が“支持向量机”
の場合,指标
は“epsiloninsensitive”
です。学习者
が“leastsquares”
の場合,指标
は“mse”
です。
パフォマンスメトリクスオプションの詳細にいては,パフォ,マンスメトリクスを参照してください。
デ,タ型:字符
|字符串
|结构体
|细胞
|function_handle
洗牌
- - - - - -観測値のシャッフルフラグ
真正的
(既定値) |假
各反復での観測値のシャッフルフラグ。次の表の値として指定します。
値 | 説明 |
---|---|
真正的 |
ソフトウェアが,関数适合 でモデルを当てはめる前に,デ,タの入力チャンク内の観測値をシャッフルします。このアクションにより,抽出スキ,ムによって誘発されるバ,アスが低減されます。 |
假 |
ソフトウェアが,受信した順序でデ,タを処理します。 |
このオプションは,解算器
が“扇区”
である場合のみ有効です。解算器
が“sgd”
または“asgd”
である場合は,デ,タを処理する前に,デ,タの入力チャンク内の観測値が常にシャッフルされます。
例:“洗牌”,假的
デ,タ型:逻辑
プロパティ
incrementalRegressionLinear
を呼び出すときに名前と値の引数の構文のみを使用して,ほとんどのプロパティを設定できます。incrementalLearner
を呼び出して従来式の学習済みモデルを変換するときに,いくかのプロパティを設定できます。プロパティFittedLoss
、NumTrainingObservations
、μ
、σ
、SolverOptions
,およびIsWarm
は設定できません。
回帰モデルのパラメタ
β
- - - - - -線形モデル係数β
数値ベクトル
このプロパティは読み取り専用です。
線形モデル係数β。NumPredictors
行1列の数値ベクトルとして指定します。
ンクリメンタル近似関数は学習中にβ
を推定します。β
の既定の初期値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,初期値は従来式の学習済みモデルの対応するプロパティによって指定されます。それ以外の場合,初期値は
0 (NumPredictors, 1)
です。
デ,タ型:单
|双
偏见
- - - - - -モデル切片β0
数値スカラ
このプロパティは読み取り専用です。
モデル切片β0またはバ@ @アス項。数値スカラとして指定します。
ンクリメンタル近似関数は学習中に偏见
を推定します。偏见
の既定の初期値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,初期値は従来式の学習済みモデルの対応するプロパティによって指定されます。それ以外の場合,初期値は
0
です。
デ,タ型:单
|双
ε
- - - - - -プシロン不感応区間の幅の半分
“汽车”
|非負のスカラ
このプロパティは読み取り専用です。
プシロン不感応区間の幅の半分。“汽车”
または非負のスカラ,として指定します。incrementalRegressionLinear
はε
値を数値スカラ,として格納します。
incrementalRegressionLinear
を呼び出すときに“汽车”
を指定した場合,电子邮件ンクリメンタル近似関数は次の手順を使用して,EstimationPeriod
で指定される推定期間中にε
を推定します。
差(Y)
≠0の場合,ε
は差(Y) / 13.49
です。ここで,Y
は推定期間の応答デ,タです。差(Y)
= 0であるかMdl
をデ,タに当てはめる前の場合,ε
は0.1
です。
ε
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済み支持向量机回帰モデルを変換する場合(
学习者
が“支持向量机”
)、ε
は従来式の学習済みモデルの対応するプロパティによって指定されます。それ以外の場合,既定値は
“汽车”
です。
学习者
が“leastsquares”
の場合,ε
を設定することはできず,その値は南
になります。
デ,タ型:单
|双
FittedLoss
- - - - - -線形モデルの当てはめに使用する損失関数
“epsiloninsensitive”
|mse的
このプロパティは読み取り専用です。
線形モデルの当てはめに使用する損失関数。“epsiloninsensitive”
またはmse的
を指定します。
値 | アルゴリズム | 損失関数 | 学习者 の値 |
---|---|---|---|
“epsiloninsensitive” |
サポ,トベクタ,マシン回帰 | プシロン不感応: | “支持向量机” |
mse的 |
通常の最小二乗による線形回帰 | 平均二乗誤差(mse): | “leastsquares” |
学习者
- - - - - -線形回帰モデルのタ@ @プ
“支持向量机”
|“leastsquares”
このプロパティは読み取り専用です。
線形回帰モデルのタ@ @プ。“支持向量机”
または“leastsquares”
を指定します。incrementalRegressionLinear
は学习者
値を文字ベクトルとして格納します。
次の表では です。
βは
β
です。Xはp個の予測子変数による観測値です。
β0は
偏见
です。
値 | アルゴリズム | 損失関数 | FittedLoss の値 |
---|---|---|---|
“支持向量机” |
サポ,トベクタ,マシン回帰 | プシロン不感応: | “epsiloninsensitive” |
“leastsquares” |
通常の最小二乗による線形回帰 | 平均二乗誤差(mse): | mse的 |
学习者
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,次のようになります。従来式の学習済みモデルが
RegressionSVM
またはCompactRegressionSVM
の場合,学习者
は“支持向量机”
です。従来式の学習済みモデルが
RegressionLinear
の場合,学习者
は従来式の学習済みモデルの対応するプロパティによって指定されます。
それ以外の場合,既定値は
“支持向量机”
です。
デ,タ型:字符
|字符串
NumPredictors
- - - - - -予測子変数の数
非負の数値スカラ
このプロパティは読み取り専用です。
予測子変数の数。非負の数値スカラ,として指定します。
NumPredictors
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,NumPredictors
は従来式の学習済みモデルの対応するプロパティによって指定されます。incrementalRegressionLinear
を直接呼び出してMdl
を作成する場合,NumPredictors
は名前と値の引数の構文を使用して指定できます。値を指定しない場合,既定値は0
で,NumPredictors
を推測します。
デ,タ型:双
NumTrainingObservations
- - - - - -ンクリメンタルモデルに当てはめる観測値の数
0
(既定値) |非負の数値スカラ
このプロパティは読み取り専用です。
ンクリメンタルモデルMdl
に当てはめる観測値の数。非負の数値スカラとして指定します。NumTrainingObservations
は,Mdl
および学習デ,タを适合
またはupdateMetricsAndFit
に渡すときに増加します。
メモ
従来式の学習済みモデルを変換してMdl
を作成する場合,incrementalRegressionLinear
は,従来式の学習済みモデルに当てはめる観測値の数をNumTrainingObservations
に追加しません。
デ,タ型:双
ResponseTransform
- - - - - -応答変換関数
“没有”
|関数ハンドル
このプロパティは読み取り専用です。
応答変換関数。“没有”
または関数ハンドルとして指定します。incrementalRegressionLinear
はResponseTransform
値を文字ベクトルまたは関数ハンドルとして格納します。
ResponseTransform
は,电子邮件ンクリメンタル学習関数が生の応答値を変換する方法を記述します。
MATLAB®関数やユ,ザ,定義関数の場合は,関数ハンドルを入力します。たとえば,ResponseTransform, @function
では,函数
がn行1列のベクトル(元の応答)を受け入れ,同じ長さのベクトル(変換された応答)を返します。
ResponseTransform
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,ResponseTransform
は従来式の学習済みモデルの対応するプロパティによって指定されます。それ以外の場合,既定値は
“没有”
です。
デ,タ型:字符
|字符串
|function_handle
学習パラメタ
EstimationPeriod
- - - - - -ハパパラメタの推定のために処理する観測値の数
非負の整数
このプロパティは読み取り専用です。
ハイパーパラメーターの推定のために,パフォーマンスメトリクスの学習または追跡の前にインクリメンタルモデルが処理する観測値の数。非負の整数として指定します。
メモ
Mdl
をインクリメンタル学習用に準備する場合(学習に必要なすべてのハイパーパラメーターを指定する必要があります),incrementalRegressionLinear
はEstimationPeriod
を0
に強制します。Mdl
を电子邮箱ンクリメンタル学習用に準備しない場合,incrementalRegressionLinear
はEstimationPeriod
を1000
に設定します。
詳細は,推定期間を参照してください。
デ,タ型:单
|双
FitBias
- - - - - -線形モデルの切片使用フラグ
真正的
|假
このプロパティは読み取り専用です。
線形モデルの切片使用フラグ。真正的
または假
として指定します。
値 | 説明 |
---|---|
真正的 |
incrementalRegressionLinear は,バ0を,。 |
假 |
incrementalRegressionLinear はβ0= 0に設定します。 |
偏见
≠0の場合,FitBias
は真正的
でなければなりません。まり,incrementalRegressionLinear
はβ0の等式制約をサポ,トしません。
FitBias
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済み線形回帰モデル(
RegressionLinear
)を変換してMdl
を作成する場合,FitBias
は従来式の学習済みモデルのModelParameters
プロパティのFitBias
値によって指定されます。それ以外の場合,既定値は
真正的
です。
デ,タ型:逻辑
μ
- - - - - -予測子の平均
数値ベクトル|[]
このプロパティは読み取り専用です。
予測子の平均。数値ベクトルを指定します。
μ
が空の配列[]
で,“标准化”,真的
が指定されている場合,电子邮件ンクリメンタル近似関数は,μ
をEstimationPeriod
で指定された推定期間中に推定された予測子変数の平均に設定します。
μ
を直接指定することはできません。
デ,タ型:单
|双
σ
- - - - - -予測子の標準偏差
数値ベクトル|[]
このプロパティは読み取り専用です。
予測子の標準偏差。数値ベクトルを指定します。
σ
が空の配列[]
で,“标准化”,真的
が指定されている場合,电子邮件ンクリメンタル近似関数は,σ
をEstimationPeriod
で指定された推定期間中に推定された予測子変数の標準偏差に設定します。
σ
を直接指定することはできません。
デ,タ型:单
|双
解算器
- - - - - -目的関数の最小化手法
“扇区”
|“sgd”
|“asgd”
このプロパティは読み取り専用です。
目的関数の最小化手法。“扇区”
、“sgd”
または“asgd”
を指定します。incrementalRegressionLinear
は解算器
値を文字ベクトルとして格納します。
値 | 説明 | メモ: |
---|---|---|
“扇区” |
|
|
“sgd” |
確率的勾配降下法(sgd)[3][2] |
|
“asgd” |
平均化確率的勾配降下法(asgd)[4] |
|
解算器
の既定値は,モデルの作成方法に応じて異なります。
incrementalRegressionLinear
を直接呼び出してMdl
を作成する場合,既定値は“扇区”
です。従来式の学習済み線形回帰モデル(
RegressionLinear
)を変換してMdl
を作成するときに,従来式の学習済みモデルの正则化
プロパティが“岭(L2)”
でModelParameters。解算器
が“sgd”
または“asgd”
の場合,解算器
は従来式の学習済みモデルのModelParameters
プロパティの解算器
値によって指定されます。それ以外の場合,このプロパティの設定は関数
incrementalLearner
の名前と値の引数解算器
で行います。この引数の既定値は“扇区”
です。
デ,タ型:字符
|字符串
SolverOptions
- - - - - -目的ソルバ,の構成
構造体配列
このプロパティは読み取り専用です。
目的ソルバ,の構成。構造体配列として指定します。SolverOptions
のフィ,ルドは,指定したソルバ,解算器
固有のプロパティです。
デ,タ型:结构体
SGDおよびasgdソルバのパラメタ
BatchSize
- - - - - -ミニバッチのサ@ @ズ
正の整数
このプロパティは読み取り専用です。
ミニバッチのサ@ @ズ。正の整数として指定します。学習中の各学習サイクルで、incrementalRegressionLinear
はBatchSize
個の観測値を使用して劣勾配を計算します。
最後のミニバッチ(适合
またはupdateMetricsAndFit
の各関数呼び出しにおける最後の学習サ电子邮箱クル)に使用する観測値の数は,BatchSize
より小さくてもかまいません。たとえば,适合
またはupdateMetricsAndFit
に25個の観測値を指定した場合,関数は最初の2つの学習サイクルに10個の観測値を使用し,最後の学習サイクルに5の観測値を使用します。
BatchSize
の既定値は,モデルの作成方法に応じて異なります。
incrementalRegressionLinear
を直接呼び出してMdl
を作成する場合,既定値は10
です。従来式の学習済み線形回帰モデル(
RegressionLinear
)を変換してMdl
を作成するときに,従来式の学習済みモデルの正则化
プロパティが“岭(L2)”
でModelParameters。解算器
が“sgd”
または“asgd”
の場合,BatchSize
は従来式の学習済みモデルのModelParameters
プロパティのBatchSize
値によって指定されます。それ以外の場合,このプロパティの設定は関数
incrementalLearner
の名前と値の引数BatchSize
で行います。この引数の既定値は10
です。
デ,タ型:单
|双
λ
- - - - - -リッジ(l2)正則化項の強度
非負のスカラ
このプロパティは読み取り専用です。
リッジ(l2)正則化項の強度。非負のスカラ,として指定します。
λ
の既定値は,モデルの作成方法に応じて異なります。
incrementalRegressionLinear
を直接呼び出してMdl
を作成する場合,既定値は1 e-5
です。従来式の学習済み線形回帰モデル(
RegressionLinear
)を変換してMdl
を作成するときに,従来式の学習済みモデルの正则化
プロパティが“岭(L2)”
でModelParameters。解算器
が“sgd”
または“asgd”
の場合,λ
は従来式の学習済みモデルの対応するプロパティによって指定されます。それ以外の場合,このプロパティの設定は関数
incrementalLearner
の名前と値の引数λ
で行います。この引数の既定値は1 e-5
です。
デ,タ型:双
|单
LearnRate
- - - - - -初期学習率
“汽车”
|正のスカラ
このプロパティは読み取り専用です。
初期学習率。“汽车”
または正のスカラ,として指定します。incrementalRegressionLinear
はLearnRate
値を正のスカラ,として格納します。
学習率は,目的の劣勾配をスケ,ルすることによって最適化のステップサ,ズを制御します。LearnRate
は学習率の初期値を指定し,LearnRateSchedule
によって後続の学習サ@ @クルの学習率が決まります。
“汽车”
を指定した場合,次のようになります。
初期学習率は
0.7
となります。EstimationPeriod
>0
の場合,适合
およびupdateMetricsAndFit
は,EstimationPeriod
の最後にこの比率を1 /√(1 + max (sum (x ^ 2, obsDim)))
に変更します。obsDim
値は,観測値が予測子デ,タの列から構成されている場合は1
,それ以外の場合は2
です。
LearnRate
の既定値は,モデルの作成方法に応じて異なります。
incrementalRegressionLinear
を直接呼び出してMdl
を作成する場合,既定値は“汽车”
です。従来式の学習済み線形回帰モデル(
RegressionLinear
)を変換してMdl
を作成するときに,従来式の学習済みモデルの正则化
プロパティが“岭(L2)”
でModelParameters。解算器
が“sgd”
または“asgd”
の場合,LearnRate
は従来式の学習済みモデルのModelParameters
プロパティのLearnRate
値によって指定されます。それ以外の場合,このプロパティの設定は関数
incrementalLearner
の名前と値の引数LearnRate
で行います。この引数の既定値は“汽车”
です。
例:“LearnRate”,0.001
デ,タ型:单
|双
|字符
|字符串
LearnRateSchedule
- - - - - -学習率スケジュ,ル
“腐烂”
|“不变”
このプロパティは読み取り専用です。
学習率スケジュ,ル。次の表の値として指定します。ここで,LearnRate
は初期学習率ɣ0を指定します。incrementalRegressionLinear
はLearnRateSchedule
値を文字ベクトルとして格納します。
値 | 説明 |
---|---|
“不变” |
すべての学習サ@ @クルの学習率をɣ0とする。 |
“腐烂” |
学習サesc escクルtでの学習率を次とする。
|
LearnRateSchedule
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,このプロパティの設定は関数incrementalLearner
の名前と値の引数LearnRateSchedule
で行います。この引数の既定値は“腐烂”
です。それ以外の場合,既定値は
“腐烂”
です。
デ,タ型:字符
|字符串
パフォマンスメトリクスパラメタ
IsWarm
- - - - - -モデルがパフォ,マンスメトリクスを追跡するかどうかを示すフラグ
假
または0
|真正的
または1
このプロパティは読み取り専用です。
ンクリメンタルモデルがパフォ,マンスメトリクスを追跡するかどうかを示すフラグ。逻辑0
(假
)または1
(真正的
)として指定します。
ンクリメンタルモデルMdl
は,电子邮箱ンクリメンタル近似関数が(EstimationPeriod
+MetricsWarmupPeriod
)個の観測値をleiンクリメンタルモデルに当てはめた後,“ウォ,ム”(IsWarm
が真正的
となる)になります。
値 | 説明 |
---|---|
真正的 または1 |
ンクリメンタルモデルMdl がウォ,ムです。この結果,updateMetrics およびupdateMetricsAndFit がMdl の指标 プロパティのパフォ,マンスメトリクスを追跡します。 |
假 または0 |
updateMetrics およびupdateMetricsAndFit はパフォ,マンスメトリクスを追跡しません。 |
デ,タ型:逻辑
指标
- - - - - -モデルのパフォ,マンスメトリクス
テブル
このプロパティは読み取り専用です。
updateMetrics
およびupdateMetricsAndFit
によって▪▪ンクリメンタル学習中に更新されたモデルのパフォ▪▪マンスメトリクス。M行2列の表として指定します。ここで,mは,名前と値の引数指标
によって指定されたメトリクスの数です。
指标
の列には累积
および窗口
のラベルが付けられます。
累积
:要素j
は,メトリクスj
で測定される,モデルがウォ,ム(IsWarm
が1
)になった時点からの,モデルの性能です。窗口
:要素j
は,メトリクスj
で測定され,MetricsWindowSize
プロパティで指定されたウィンドウ内のすべての観測値に対して評価される,モデルの性能です。ソフトウェアはMetricsWindowSize
個の観測値を処理した後,窗口
を更新します。
行には,指定したメトリクスのラベルが付けられます。詳細にいては,incrementalLearner
またはincrementalRegressionLinear
の名前と値の引数指标
を参照してください。
デ,タ型:表格
MetricsWarmupPeriod
- - - - - -パフォ,マンスメトリクスを追跡する前に当てはめる観測値の数
非負の整数
このプロパティは読み取り専用です。
ンクリメンタルモデルが指标
プロパティのパフォ,マンスメトリクスを追跡する前に当てはめなければならない観測値の数。非負の整数として指定します。
MetricsWarmupPeriod
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,このプロパティの設定は関数incrementalLearner
の名前と値の引数MetricsWarmupPeriod
で行います。この引数の既定値は0
です。それ以外の場合,既定値は
1000
です。
詳細にいては,パフォ,マンスメトリクスを参照してください。
デ,タ型:单
|双
MetricsWindowSize
- - - - - -ウィンドウパフォ,マンスメトリクスの計算に使用する観測値の数
正の整数
このプロパティは読み取り専用です。
ウィンドウパフォ,マンスメトリクスの計算に使用する観測値の数。正の整数として指定します。
MetricsWindowSize
の既定値は,モデルの作成方法に応じて異なります。
従来式の学習済みモデルを変換して
Mdl
を作成する場合,このプロパティの設定は関数incrementalLearner
の名前と値の引数MetricsWindowSize
で行います。この引数の既定値は200
です。それ以外の場合,既定値は
200
です。
パフォマンスメトリクスオプションの詳細にいては,パフォ,マンスメトリクスを参照してください。
デ,タ型:单
|双
オブジェクト関数
适合 |
ンクリメンタル学習用の線形モデルの学習 |
updateMetricsAndFit |
線形ンクリメンタル学習モデルの新しいデタに基づくパフォマンスメトリクスの更新とモデルの学習 |
updateMetrics |
線形ンクリメンタル学習モデルの新しいデタに基づくパフォマンスメトリクスの更新 |
损失 |
デタのバッチでの線形ンクリメンタル学習モデルの損失 |
预测 |
線形@ @ンクリメンタル学習モデルからの新しい観測の応答予測 |
perObservationLoss |
ンクリメンタル学習用モデルの観測値ごとの回帰誤差 |
重置 |
ンクリメンタル回帰モデルのリセット |
例
事前情報なしでの@ @ンクリメンタル学習器の作成
回帰用の既定の@ @ンクリメンタル線形モデルを作成します。
Mdl = incrementalRegressionLinear()
Mdl = incrementalRegressionLinear IsWarm: 0 Metrics: [1x2 table] ResponseTransform: 'none' Beta: [0x1 double]偏差:0学习者:'svm'属性,方法
Mdl。EstimationPeriod
Ans = 1000
Mdl
はincrementalRegressionLinear
モデルオブジェクトです。そのプロパティはすべて読み取り専用です。
Mdl
は,他の演算の実行に使用する前に,デ,タに当てはめなければなりません。推定期間は,电子邮件プシロン不感応区間ε
の幅の半分が不明であるため1000に設定されます。名前と値の引数ε
を使用してε
を正の浮動小数点スカラ,に設定できます。このアクションにより,推定期間が既定の0になります。
ロボットア,ムのデ,タセットを読み込みます。
负载robotarm
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。
関数updateMetricsAndFit
を使用して,。一度に50個の観測値のチャンクをモデルに当てはめて,デタストリムをシミュレトします。各反復で次を行います。
50個の観測値を処理。
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。
,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N =数字(ytrain);numObsPerChunk = 50;nchunk = floor(n/numObsPerChunk);Ei = array2table(0 (nchunk,2),“VariableNames”,[“累积”“窗口”]);Beta1 = 0 (nchunk,1);%增量拟合rng (“默认”);%用于再现性为j = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min(n,numObsPerChunk*j);Idx = ibegin:iend;Mdl = updateMetricsAndFit(Mdl,Xtrain(idx,:),ytrain(idx));ei{j,:} = Mdl。指标{“EpsilonInsensitiveLoss”,:};beta1(j + 1) = Mdl.Beta(1);结束
IncrementalMdl
は,ストリ,ム内のすべてのデ,タで学習させたincrementalRegressionLinear
モデルオブジェクトです。updateMetricsAndFit
は,最初の1000個の観測値の処理でε
を推定するための応答値を格納します。この推定期間が経過するまでは係数は当てはめられません。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
は入力観測値でモデルの性能をチェックし,モデルをその観測値に当てはめます。
パフォ,マンスメトリクスと が学習中にどのように進化するかを確認するには,それらを別々のタ。
T = tiledlayout(2,1);Nexttile plot(beta1) ylabel(“\ beta_1”) xlim([0 nchunk]) xline(Mdl. txt)EstimationPeriod/numObsPerChunk,r -。) nexttile h = plot(ei.Variables);Xlim ([0 nchunk]) ylabel(“不敏感损失”)参照线(Mdl。EstimationPeriod / numObsPerChunk,r -。((Mdl)参照线。估计周期+ Mdl.MetricsWarmupPeriod)/numObsPerChunk“g -”。xlabel(t, i. properties . variablenames)“迭代”)
プロットは,updateMetricsAndFit
が次を行うことを示しています。
推定期間(最初の20回の反復)の後, を@ @ンクリメンタル学習のすべての反復で当てはめる。
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(4回の反復)の処理後に計算。
ンクリメンタル学習オプションの構成
メトリクスのウォムアップ期間を指定して,ンクリメンタル回帰学習器を準備します。その間,関数updateMetricsAndFit
はモデルの当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。SGDを使用してモデルに学習させ,SGDバッチサイズ,学習率,および正則化パラメーターを調整します。
ロボットア,ムのデ,タセットを読み込みます。
负载robotarmN =数字(ytrain);
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。
回帰用の@ @ンクリメンタル線形モデルを作成します。次のようにモデルを構成します。
SGDソルバ,を指定。
リッジ正則化パラメーター値0.001,SGDバッチサイズ20日学習率0.002,およびSVMのイプシロン不感応区間の幅の半分0.05という設定で,問題に対して十分に機能すると仮定。
ンクリメンタル近似関数で生の(標準化されていない)。
メトリクスのウォムアップ期間を観測値1000個に指定。
メトリクスウィンドウサesc escズを観測値500個に指定。
` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` `プシロン不感応損失,mse,および平均絶対誤差(mae)を追跡してモデルの性能を測定。ソフトウェアは,mse。新しい各観測値の絶対誤差を測定する無名関数を作成します。名前
MeanAbsoluteError
とそれに対応する関数を含む構造体配列を作成します。
Maefcn = @(z,zfit)abs(z - zfit);数学=结构(“MeanAbsoluteError”, maefcn);Mdl =增量回归线性(‘ε’, 0.05,...“规划求解”,“sgd”,“λ”, 0.001,“BatchSize”, 20岁,“LearnRate”, 0.002,...“标准化”假的,...“MetricsWarmupPeriod”, 1000,“MetricsWindowSize”, 500,...“指标”,{“epsiloninsensitive”mse的maemetric})
Mdl = incrementalRegressionLinear IsWarm: 0 Metrics: [3x2 table] ResponseTransform: 'none' Beta: [0x1 double]偏差:0学习者:'svm'属性,方法
Mdl
は@ @ンクリメンタル学習用に推定期間なしで構成されたincrementalRegressionLinear
モデルオブジェクトです。
関数updateMetricsAndFit
を使用して,。各反復で次を行います。
50個の観測値のチャンクを処理して,デ,タストリ,ムをシミュレ,ト。チャンクのサ▪▪ズとSGDバッチサ▪▪ズは異なることに注意してください。
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。
推定係数 ,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numObsPerChunk = 50;nchunk = floor(n/numObsPerChunk);Ei = array2table(0 (nchunk,2),“VariableNames”,[“累积”“窗口”]);Mse = array2table(0 (nchunk,2),“VariableNames”,[“累积”“窗口”]);Mae = array2table(0 (nchunk,2),“VariableNames”,[“累积”“窗口”]);Beta10 = 0 (nchunk,1);%增量拟合rng (“默认”);%用于再现性为j = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min(n,numObsPerChunk*j);Idx = ibegin:iend;Mdl = updateMetricsAndFit(Mdl,Xtrain(idx,:),ytrain(idx));ei{j,:} = Mdl。指标{“EpsilonInsensitiveLoss”,:};mse{j,:} = Mdl。指标{“MeanSquaredError”,:};mae{j,:} = Mdl。指标{“MeanAbsoluteError”,:};beta10(j + 1) = Mdl.Beta(10);结束
Mdl
は,ストリ,ム内のすべてのデ,タで学習させたincrementalRegressionLinear
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
は入力観測値でモデルの性能をチェックし,モデルをその観測値に当てはめます。
パフォ,マンスメトリクスと が学習中にどのように進化するかを確認するには,それらを別々のタ。
Tiledlayout (2,2) nexttile plot(beta10) ylabel(“\ beta_{10}”) xlim([0 nchunk]) xline(Mdl. txt)MetricsWarmupPeriod/numObsPerChunk,“g -”。)包含(“迭代”) nexttile h = plot(ei.Variables);Xlim ([0 nchunk]) ylabel(“不敏感损失”)参照线(Mdl。指标WarmupPeriod/numObsPerChunk,“g -”。xlabel(i. properties . variable)“迭代”) nexttile h = plot(mse.Variables);Xlim ([0 nchunk]) ylabel(MSE的)参照线(Mdl。指标WarmupPeriod/numObsPerChunk,“g -”。xlabel(“迭代”nexttile h = plot(mae.Variables);Xlim ([0 nchunk]) ylabel(“美”)参照线(Mdl。指标WarmupPeriod/numObsPerChunk,“g -”。(h,mae.Properties.VariableNames)“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る。
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(10回の反復)の処理後に計算。
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
fitrlinear
を使用して線形回帰モデルに学習させ,それをインクリメンタル学習器に変換し,その性能を追跡し,ストリーミングデータに当てはめます。学習オプションを従来式から@ @ンクリメンタル学習に引き継ぎます。
デ,タの読み込みと前処理
2015年のニュヨク市住宅デタセットを読み込み,デタをシャッフルします。このデタの詳細にいては,纽约市开放数据を参照してください。
负载NYCHousing2015rng (1);%用于再现性n = size(NYCHousing2015,1);idxshiff = randsample(n,n);NYCHousing2015 = NYCHousing2015(idxshiff,:);
マンハッタンから収集されたデタ(区
=1
)が,品質を2倍にする新しい方法を使用して収集されたとします。マンハッタンから収集した観測値に2
を割り当て,その他すべての観測値に1
を割り当てる重み変数を作成します。
NYCHousing2015。W = ones(n,1) + (NYCHousing2015.)1);
テ,ブルから応答変数SALEPRICE
を抽出します。数値安定性を得るために,SALEPRICE
を1 e6
の尺度でスケ,ルします。
Y = nychousing2015 . salesprice /1e6;NYCHousing2015。售价= [];
カテゴリカル予測子からダミ,変数メトリクスを作成します。
Catvars = [“区”“BUILDINGCLASSCATEGORY”“社区”];dumvarstbl = varfun(@(x)dummyvar(categorical(x)),NYCHousing2015,...“数据源”, catvars);Dumvarmat = table2array(dumvarstbl);NYCHousing2015(:,catvars) = [];
テ,ブル内の他のすべての数値変数を売価の線形予測子として扱います。ダミ,変数の行列を予測子デ,タの残りに連結します。結果の予測子行列を転置します。
idxnum = varfun(@isnumeric,NYCHousing2015,“OutputFormat”,“统一”);X = [dumvarmat NYCHousing2015{:,idxnum}]';
線形回帰モデルの学習
線形回帰モデルを,デ,タの半分から取った無作為標本に当てはめます。
Idxtt = randsample([true false],n,true);TTMdl = fitrlinear(X(:,idxtt),Y(idxtt),“ObservationsIn”,“列”,...“重量”NYCHousing2015.W (idxtt))
TTMdl = RegressionLinear ResponseName: 'Y' ResponseTransform: 'none' Beta: [313x1 double]偏差:0.1116 Lambda: 2.1977e-05学习者:'svm'属性,方法
TTMdl
は従来式の学習済み線形回帰モデルを表すRegressionLinear
モデルオブジェクトです。
学習済みモデルの変換
従来式の学習済み線形回帰モデルを,电子邮件ンクリメンタル学習用の線形回帰モデルに変換します。
IncrementalMdl =增量学习者(TTMdl)
IncrementalMdl = incrementalRegressionLinear IsWarm: 1 Metrics: [1x2 table] ResponseTransform: 'none' Beta: [313x1 double]偏差:0.1116 Learner: 'svm'属性,方法
パフォ,マンスメトリクスの追跡とモデルの当てはめの個別の実行
関数updateMetrics
および适合
を使用して,残りのデ,タに対して,ンクリメンタル学習を実行します。500個の観測値を一度に処理して,デ,タストリ,ムをシミュレ,トします。各反復で次を行います。
updateMetrics
を呼び出し,観測値の入力チャンクを所与として,モデルのイプシロン不感応損失の累積とウィンドウを更新します。前の电子邮箱ンクリメンタルモデルを上書きして,指标
プロパティ内の損失を更新します。関数がモデルをデータ チャンクに当てはめないことに注意してください。チャンクはモデルに対して "新しい" データです。観測値の向きを列方向に指定し、観測値の重みを指定します。适合
を呼び出して,観測値の入力チャンクにモデルを当てはめます。前の电子邮箱ンクリメンタルモデルを上書きして,モデル パラメーターを更新します。観測値の向きを列方向に指定し、観測値の重みを指定します。損失および最後に推定された係数 を保存します。
%预先配置Idxil = ~idxtt;Nil = sum(idxil);numObsPerChunk = 500;nchunk = floor(nil/numObsPerChunk);Ei = array2table(0 (nchunk,2),“VariableNames”,[“累积”“窗口”]);beta313 = [incrementalmml . beta (end);0 (nchunk 1)];Xil = X(:,idxil);Yil = Y(idxil);Wil = NYCHousing2015.W(idxil);%增量拟合为j = 1:nchunk ibegin = min(nil,numObsPerChunk*(j-1) + 1);iend = min(nil,numObsPerChunk*j);Idx = ibegin:iend;增量mdl = updateMetrics(增量mdl,Xil(:,idx),Yil(idx),...“ObservationsIn”,“列”,“重量”会(idx));ei{j,:} = IncrementalMdl。指标{“EpsilonInsensitiveLoss”,:};增量mdl = fit(增量mdl,Xil(:,idx),Yil(idx),“ObservationsIn”,“列”,...“重量”会(idx));beta313(j + 1) = incrementalmml . beta (end);结束
IncrementalMdl
は,ストリ,ム内のすべてのデ,タで学習させたincrementalRegressionLinear
モデルオブジェクトです。
あるいは,updateMetricsAndFit
を使用して,新しいデータチャンクに対するモデルのパフォーマンスメトリクスを更新し,モデルをデータに当てはめることもできます。
パフォ,マンスメトリクスと推定された係数 のトレ,スプロットをプロットします。
T = tiledlayout(2,1);nexttile h = plot(ei.Variables);Xlim ([0 nchunk]) ylabel(“不敏感损失”nexttile plot(beta313) ylabel(“\ beta_”{313}xlim([0 nchunk]) xlabel(t,“迭代”)
累積の損失は各反復(500個の観測値のチャンク)ごとに徐々に変化しますが,ウィンドウの損失には急な変動があります。メトリクスウィンドウの既定値は200なので,updateMetrics
は500個の観測値のチャンクごとに最新の200個の観測値に基づいて性能を測定します。
は急激に変動した後,适合
が観測値のチャンクを処理するたびに平坦になります。
詳細
ンクリメンタル学習
“蓉城ンクリメンタル学習”(“オンラ电子邮箱ン学習”)は予測子変数の分布,予測関数や目的関数の要素(調整パラメーターの値を含む),観測値のラベル付けなどがほとんど未知,またはまったく未知の可能性のある,データストリームからの入力データの処理に着目した,機械学習の一分野です。インクリメンタル学習が従来の機械学習と異なっているのは,モデルへの当てはめ,ハイパーパラメーター調整のための交差検証の実行,および予測子の分布の推測を行うために,十分にラベル付けされたデータを使用できるということです。
入力観測値に対し,インクリメンタル学習モデルは,次のいずれかの方法(通常はこの順序)でデータを処理します。
ラベルの予測。
予測性能の測定。
モデルの構造的な破綻やドリフトにいてのチェック。
入力観測値へのモデルの当てはめ。
詳細にいては,ンクリメンタル学習の概要を参照してください。
ンクリメンタル学習用の適応型スケル不変ソルバ
“”([1]で紹介)は,線形予測モデルに学習させるための勾配降下法ベ,スの目的ソルバ,です。ソルバーはハイパーパラメーターを持たず,予測子変数のスケールの違いの影響を受けず,予測子変数の分布の事前知識が不要です。これらの特徴は,电子邮件ンクリメンタル学習に適しています。
標準SGDおよびASGDソルバーは,予測子変数間のスケールの違いの影響を受けやすいため,モデルの性能低下につながることがあります。SGDおよびASGDを使用して精度を向上させるには,予測子データを標準化し,正則化と学習率のパラメーターを調整できます。従来の機械学習では,交差検証と予測子を標準化してハイパーパラメーター調整を行うのに十分なデータが利用できます。しかし,インクリメンタル学習の場合,十分なデータが利用できず(たとえば,観測値が一度に1つしか利用できない場合があります),予測子の分布が未知である場合があります。このような特徴があるため,インクリメンタル学習中のパラメーター調整と予測子の標準化は困難または不可能です。
回帰用の@ @ンクリメンタル近似関数适合
およびupdateMetricsAndFit
は,アルゴリズムのより保守的なScInOL1バ,ジョンを使用します。
ヒント
モデルを作成した後で,データストリームについてインクリメンタル学習を実行するC / c++コードを生成できます。C/ c++コ,ドの生成にはMATLAB编码器™が必要です。詳細については、コ,ド生成の紹介を参照してください。
アルゴリズム
推定期間
推定期間中,电子邮件ンクリメンタル近似関数适合
およびupdateMetricsAndFit
は,最初のEstimationPeriod
個の入力観測値を使用して,インクリメンタル学習に必要なハイパーパラメーターを推定(調整)します。推定はEstimationPeriod
が正の場合にのみ発生します。。
ハパパラメタ | モデルプロパティ | 使用法 | 条件 |
---|---|---|---|
予測子の平均および標準偏差 |
|
標準化された予測子デ,タ | 。
|
学習率 | LearnRate |
ソルバのステップサズの調整 | 。
|
プシロン不感応区間の幅の半分 | ε |
サポ,トベクタ,の数の制御 | 。 |
推定期間中には,适合
がモデルを当てはめることも,updateMetricsAndFit
がモデルを当てはめたりパフォ,マンスメトリクスを更新したりすることもありません。。
デ,タの標準化
予測子変数を標準化するようにインクリメンタル学習関数が構成されている場合,インクリメンタル学習モデルMdl
のμ
およびσ
プロパティに保存されている平均と標準偏差を使用して標準化が行われます。
“标准化”,真的
と正の推定期間(EstimationPeriod
を参照)が設定されていて,Mdl。μ
とMdl。σ
が空の場合,aaplンクリメンタル近似関数は,推定期間の観測値を使用して平均と標準偏差を推定します。“标准化”、“汽车”
を設定すると(既定の設定),次の条件が適用されます。従来式の学習済み支持向量机回帰モデル(
CompactRegressionSVM
またはRegressionSVM
)を変換してincrementalRegressionLinear
を作成する場合,変換元のモデルのμ
およびσ
プロパティは空の配列[]
となり,电子邮件ンクリメンタル学習関数は予測子変数を標準化しません。変換元のモデルのμ
およびσ
プロパティが空でない場合,インクリメンタル学習関数は,指定された平均と標準偏差を使用して予測子変数を標準化します。▪▪▪▪ンクリメンタル近似関数は,推定期間の長さにかかわらず,新しい平均と標準偏差を推定しません。線形回帰モデル(
RegressionLinear
)を変換してincrementalRegressionLinear
を作成する場合,。従来式の学習済みモデルを変換するのでない場合,econeconンクリメンタル学習関数は,sgdソルバ(
解算器
を参照)と正の推定期間(EstimationPeriod
を参照)が指定されている場合にのみ予測子デ,タを標準化します。
インクリメンタル近似関数が予測子の平均と標準偏差を推定するとき,関数は推定期間の観測値を使用して加重平均と加重標準偏差を計算します。具体的には,関数は予測子j)の標準化のために次を使用します。
xjは予測子j, xjkは推定期間内の予測子jの観測値kです。
wjは観測値の重みjです。
パフォ,マンスメトリクス
関数
updateMetrics
およびupdateMetricsAndFit
は,电子邮件ンクリメンタルモデルが“ウォ,ム”(IsWarmプロパティ)のときに,新しいデ,タからモデルのパフォ,マンスメトリクス(“指标”
)を追跡します。ンクリメンタルモデルは,适合
またはupdateMetricsAndFit
が@ @ンクリメンタルモデルをMetricsWarmupPeriod個の観測値(“メトリクスのウォ,ムアップ期間”)に当てはめた後,ウォ,ムになります。EstimationPeriod> 0の場合,関数はモデルをデタに当てはめる前にハパパラメタを推定します。そのため,関数は,モデルがメトリクスのウォ,ムアップ期間を開始する前に
EstimationPeriod
個の観測値を追加で処理しなければなりません。ンクリメンタルモデルの
指标
プロパティは,各パフォ,マンスメトリクスの2の形式を表の変数(列)累积
および窗口
とし,個々のメトリクスを行に格納します。ンクリメンタルモデルがウォームになると、updateMetrics
およびupdateMetricsAndFit
は次の頻度でメトリクスを更新します。累积
-関数は、モデルの性能追跡の開始以降の累積メトリクスを計算します。関数は,関数が呼び出されるたびにメトリクスを更新し、提供されたデータ セット全体に基づいて計算を行います。窗口
-関数は、名前と値のペアの引数MetricsWindowSizeによって決定されたウィンドウ内のすべての観測値に基づいてメトリクスを計算します。MetricsWindowSize
によってソフトウェアが窗口
メトリクスを更新する頻度も決まります。たとえば,MetricsWindowSize
が20の場合,関数は提供されたデータの最後の20個の観測値に基づいてメトリクスを計算します(X((end - 20 + 1):end,:)
およびY((end - 20 + 1):end)
)。ウィンドウ内のパフォーマンスメトリクスを追跡するインクリメンタル関数は,次のプロセスを使用します。
指定された各メトリクスにいて長さ
MetricsWindowSize
のバッファ,を保存し,観測値の重みのバッファ,を保存します。入力観測値のバッチに基づくモデル性能をメトリクスバッファーの要素に入力し,対応する観測値の重みを重みバッファーに格納します。
バッファ,がいっぱいになると,
Mdl.Metrics.Window
をメトリクスウィンドウの性能の加重平均で上書きします。関数が観測値のバッチを処理するときにバッファーがあふれる場合、最新の入力観測値MetricsWindowSize
がバッファ,に入り,最も古い観測値がバッファ,から削除されます。たとえば,MetricsWindowSize
が20でメトリクスバッファーには前に処理されたバッチからの10個の値が存在し,15個の値が入力されるとします。長さ20のウィンドウを構成するため,関数は15個の入力観測値からの測定値と前のバッチからの最新の5個の測定値を使用します。
累积
と窗口
のパフォ,マンスメトリクスの値を計算する際,予測が南
の観測値は省略されます。
参照
[1]肯普卡,米夏拉,沃伊切赫·科茨沃斯基和曼弗雷德·k·瓦穆斯。线性模型学习的自适应比例不变在线算法预印本,提交于2019年2月10日。https://arxiv.org/abs/1902.07528.
[2] Langford, J., Li ., and T. Zhang。“通过截断梯度的稀疏在线学习。”j·马赫。学习。Res. Vol. 10, 2009, pp. 777-801。
[3]沙利夫-施瓦兹,S. Y.辛格和N.斯雷布罗。Pegasos:支持向量机的原始估计次梯度求解器第24届机器学习国际会议论文集,ICML ' 07, 2007,第807-814页。
徐伟。“用平均随机梯度下降法实现最优一次大规模学习”防伪学报,abs/1107.2490, 2011。
拡張機能
C/ c++コ,ド生成
MATLAB®Coder™を使用してCおよびc++コドを生成します。
バ,ジョン履歴
R2020bで導入
Matlabコマンド
次のmatlabコマンドに対応するリンクがクリックされました。
コマンドをmatlabコマンドウィンドウに入力して実行してください。Webブラウザ,はMATLABコマンドをサポ,トしていません。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。