이번역페이지는최신내용을담고있지않습니다。최신내용을영문으로보려면여기를클릭하십시오。
점진적학습(또는온라인학습)에는데이터스트림에서들어오는데이터처리가포함되는데,예측변수의분포,목적함수의여러특성,심지어관측값에레이블이지정되었는지여부에대한정보가거의또는전혀제공되지않을수있습니다。점진적학습문제는레이블이지정된데이터가충분히있어서이를사용해모델에피팅하고,교차검증을수행하여하이퍼파라미터를조정하고,예측변수분포특징을추론하는기존의머신러닝방법과대조됩니다。
점진적학습에는점진적모델로구성된모델이필요합니다。incrementalClassificationLinear
와같은객체를호출하여사용자가직접점진적모델을만들어구성할수도있고incrementalLearner
를사용하여전통적으로훈련된지원모델을점진적학습기로변환할수도있습니다。모델을구성하고데이터스트림을설정한후에는들어오는데이터청크에대해점진적모델을피팅하고모델의예측성능을추적할수있으며이두작업을동시에수행할수도있습니다。
자세한내용은增量学习概述항목을참조하십시오。
incrementalClassificationLinear |
用于增量学习的二元分类线性模型 |
incrementalClassificationNaiveBayes |
用于增量学习的朴素贝叶斯分类模型 |
了解关于增量学习的基本概念,包括增量学习对象、增量学习功能和增量学习流程。
为数据流上的增量绩效评估和培训准备一个增量学习模型。
采用简洁的工作流程实现了二元分类的增量学习。
利用灵活的工作流程,实现了对具有前置评价的二元分类的增量学习。
从分类学习者训练的Logistic回归模型中初始化增量学习模型
使用分类学习者应用程序训练逻辑回归模型,然后使用估计系数初始化二元分类的增量模型。
利用灵活的工作流实现了基于朴素贝叶斯多类分类模型的增量学习过程中的条件训练。