适合
火车朴素贝叶斯分类模型的增量学习
描述
的适合
功能符合配置的朴素贝叶斯分类模型的增量学习(incrementalClassificationNaiveBayes
流数据对象)。此外跟踪性能指标使用数据到达时,使用updateMetricsAndFit
代替。
适合或旨在朴素贝叶斯分类模型整批数据,看看fitcnb
。
例子
逐步培养模型先验信息
适合增量朴素贝叶斯学习当你知道只有预期的最大数量的类的数据。
创建一个增量朴素贝叶斯模型。指定的最大数量预计为5类。
Mdl = incrementalClassificationNaiveBayes (“MaxNumClasses”5)
Mdl = incrementalClassificationNaiveBayes IsWarm: 0指标:[1 x2表]一会:[1 x0双]ScoreTransform:“没有一个”DistributionNames:“正常”DistributionParameters:{}属性,方法
Mdl
是一个incrementalClassificationNaiveBayes
模型。所有的属性是只读的。Mdl
最多可以处理5独特的类。默认情况下,类分布Mdl.Prior
经验,这意味着软件更新先验分布为它遇到标签。
Mdl
必须适合数据之前,您可以使用它来执行任何其他操作。
载入人类活动数据集。随机洗牌数据。
负载humanactivityn =元素个数(actid);rng (1)%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
细节的数据集,输入描述
在命令行中。
适合的增量式模型训练数据,50块一次观测,通过使用适合
函数。在每一次迭代:
模拟数据流处理50个观察。
覆盖前面的增量式模型与一个新安装的观察。
存储意味着在第一节课的第一个预测 和主题是移动的先验概率(
Y
> 2)看看这些参数增量学习中发展。
%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);mu11 = 0 (nchunk, 1);priormoved = 0 (nchunk, 1);%增量式拟合为j = 1: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl =适合(Mdl X (idx:), Y (idx));mu11 (j) = Mdl.DistributionParameters {1} (1);priormoved (j) = (Mdl.Prior (Mdl求和。类名> 2));结束
Mdl
是一个incrementalClassificationNaiveBayes
模型对象培训中的所有数据流。
在增量学习看到参数如何演变,把它们在不同的瓷砖。
t = tiledlayout (2, 1);nexttile情节(mu11) ylabel (“\ mu_ {11}”)包含(“迭代”)轴紧nexttile情节(priormoved) ylabel (‘\π(主题是移动))包含(t)“迭代”)轴紧
适合
更新后的预测分布过程每个块。因为之前类分布是经验,
(主题是移动)的变化适合
流程每个块。
拟合之前指定所有类名
适合增量朴素贝叶斯学习当你知道所有的类名的数据。
考虑培训设备来预测一个主题是否坐着,站着,散步,跑步,或者跳舞基于生物特征数据的测量。类名映射1到5的活动。同时,假设研究人员计划让每个类一致的设备。
创建一个增量为多级学习朴素贝叶斯模型。指定类名和前制服类分布。
一会= 1:5;Mdl = incrementalClassificationNaiveBayes (“类名”一会,“之前”,“统一”)
Mdl = incrementalClassificationNaiveBayes IsWarm: 0指标:[1 x2表]一会:(1 2 3 4 5)ScoreTransform:“没有一个”DistributionNames:“正常”DistributionParameters: {5} x0细胞属性,方法
Mdl
是一个incrementalClassificationNaiveBayes
模型对象。所有的属性是只读的。在培训期间,必须在观察标签Mdl.ClassNames
。
Mdl
必须适合数据之前,您可以使用它来执行任何其他操作。
载入人类活动数据集。随机洗牌数据。
负载humanactivityn =元素个数(actid);rng (1);%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
细节的数据集,输入描述
在命令行中。
适应增量式模型通过使用训练数据适合
函数。模拟数据流处理的50块一次观察。在每一次迭代:
50的观察过程。
覆盖前面的增量式模型与一个新安装的观察。
存储意味着在第一节课的第一个预测 和主题是移动的先验概率(
Y
> 2)看看这些参数增量学习中发展。
%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);mu11 = 0 (nchunk, 1);priormoved = 0 (nchunk, 1);%增量式拟合为j = 1: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl =适合(Mdl X (idx:), Y (idx));mu11 (j) = Mdl.DistributionParameters {1} (1);priormoved (j) = (Mdl.Prior (Mdl求和。类名> 2));结束
Mdl
是一个incrementalClassificationNaiveBayes
模型对象培训中的所有数据流。
在增量学习看到参数如何演变,把它们在不同的瓷砖。
t = tiledlayout (2, 1);nexttile情节(mu11) ylabel (“\ mu_ {11}”)包含(“迭代”)轴紧nexttile情节(priormoved) ylabel (‘\π(主题是移动))包含(t)“迭代”)轴紧
适合
更新后的预测分布过程每个块。因为之前的类分布被指定为制服,
(主题是移动)= 0.6,不改变适合
流程每个块。
指定观察权重
火车通过使用朴素贝叶斯分类模型fitcnb
,将它转换成一个增量学习,跟踪其性能在流数据,然后适应模型数据。指定观察权重。
加载和数据预处理
载入人类活动数据集。随机洗牌数据。
负载humanactivityrng (1);%的再现性n =元素个数(actid);idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
细节的数据集,输入描述
在命令行中。
假设一个固定的数据主题(Y
< = 2)双数据从一个移动的质量问题。创建一个重量变量分配一个重量2从固定观察主体和1到一个移动的主题。
W = 1 (n, 1) + (Y < = 2);
朴素贝叶斯分类模型进行训练
适合朴素贝叶斯分类模型的随机样本数据的一半。
idxtt = randsample((真假),n, true);TTMdl = fitcnb (X (idxtt:), Y (idxtt),“重量”W (idxtt))
TTMdl = ClassificationNaiveBayes ResponseName:‘Y’CategoricalPredictors::[]类名(1 2 3 4 5)ScoreTransform:“没有一个”NumObservations: 12053 DistributionNames: {1} x60细胞DistributionParameters: {5} x60细胞属性,方法
TTMdl
是一个ClassificationNaiveBayes
模型对象代表了传统训练朴素贝叶斯分类模型。
转换训练模型
传统训练模型转换为一个朴素贝叶斯分类模型的增量学习。
IncrementalMdl = incrementalLearner (TTMdl)
IncrementalMdl = incrementalClassificationNaiveBayes IsWarm: 1指标:[1 x2表]一会:(1 2 3 4 5)ScoreTransform:“没有一个”DistributionNames: {1} x60细胞DistributionParameters: {5} x60细胞属性,方法
IncrementalMdl
是一个incrementalClassificationNaiveBayes
模型。因为类名称中指定IncrementalMdl.ClassNames
必须的,标签在增量学习中遇到IncrementalMdl.ClassNames
。
分别跟踪性能指标和模型
对其余的数据执行增量学习使用updateMetrics
和适合
功能。在每一次迭代:
模拟数据流处理50观测一次。
调用
updateMetrics
更新的累积和窗口最小成本模型的输入块的观察。覆盖前面的增量式模型更新的损失指标
财产。注意,函数不符合模型的一部分数据,大部分是“新”的数据模型。指定观察权重。存储的最小成本。
调用
适合
适合的模型输入块的观察。覆盖前面的增量式模型更新模型参数。指定观察权重。
%预先配置idxil = ~ idxtt;nil =总和(idxil);numObsPerChunk = 50;nchunk =地板(nil / numObsPerChunk);(nchunk mc = array2table (0, 2),“VariableNames”,(“累积”“窗口”]);自= X (idxil:);Yil = Y (idxil);会= W (idxil);%增量式拟合为j = 1: nchunk ibegin = min (nil, numObsPerChunk * (j - 1) + 1);iend = min (nil, numObsPerChunk * j);idx = ibegin: iend;IncrementalMdl = updateMetrics (IncrementalMdl自(idx:), Yil (idx),…“重量”会(idx));mc {j:} = IncrementalMdl.Metrics {“MinimalCost”,:};IncrementalMdl =适合(IncrementalMdl自(idx:), Yil (idx),“重量”会(idx));结束
IncrementalMdl
是一个incrementalClassificationNaiveBayes
模型对象培训中的所有数据流。
或者,您可以使用updateMetricsAndFit
更新模型的性能指标给定一个新的数据块,然后适应模型数据。
画一个跟踪性能指标的情节。
h =情节(mc.Variables);xlim ([0 nchunk]) ylabel (“最小成本”传奇(h, mc.Properties.VariableNames)包含(“迭代”)
累计损失逐渐稳定,而窗口失去跳跃在整个培训。
执行条件的培训
逐步培养朴素贝叶斯分类模型只有当性能就会降低。
载入人类活动数据集。随机洗牌数据。
负载humanactivityn =元素个数(actid);rng (1)%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
细节的数据集,输入描述
在命令行中。
配置一个朴素贝叶斯分类模型的增量学习,以便将类的最大数量是5,跟踪性能指标包括误分类错误率,和指标窗口大小是1000。第一个1000年观测符合配置的模型。
Mdl = incrementalClassificationNaiveBayes (“MaxNumClasses”5,“MetricsWindowSize”,1000,…“指标”,“classiferror”);initobs = 1000;Mdl =适合(Mdl X (1: initobs,:), Y (1: initobs));
Mdl
是一个incrementalClassificationNaiveBayes
模型对象。
执行增量学习,条件合适,每个迭代遵循这个过程:
模拟数据流处理一块100年的观察。
更新模型性能传入的数据块。
符合模型的数据块只有当误分类错误率大于0.05。
当跟踪性能和装配,覆盖前面的增量式模型。
存储错误分类错误率的意思是第二等的预测 看他们如何训练中发展。
跟踪时
适合
火车模型。
%预先配置numObsPerChunk = 100;地板nchunk = ((n - initobs) / numObsPerChunk);mu21 = 0 (nchunk, 1);ce = array2table (nan (nchunk, 2),“VariableNames”,(“累积”“窗口”]);训练= false (nchunk, 1);%增量式拟合为j = 1: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1 + initobs);iend = min (n, numObsPerChunk * j + initobs);idx = ibegin: iend;Mdl = updateMetrics (Mdl X (idx:), Y (idx));ce {j:} = Mdl.Metrics {“ClassificationError”,:};如果ce {j 2} > 0.05 Mdl =适合(Mdl X (idx:), Y (idx));训练(j) = true;结束mu21 (j) = Mdl.DistributionParameters {1}, (1);结束
Mdl
是一个incrementalClassificationNaiveBayes
模型对象培训中的所有数据流。
模型的性能和 进化在训练,放到单独的瓷砖。
t = tiledlayout (2, 1);nexttile情节(mu21)在情节(找到(训练),mu21(训练),“r”。)xlim ([0 nchunk]) ylabel (“\ mu_ {21}”)传说(“\ mu_ {21}”,培训发生的,“位置”,“最佳”)举行从nexttile情节(ce.Variables) xlim ([0 nchunk]) ylabel (“误分类错误率”)传说(ce.Properties.VariableNames“位置”,“最佳”)包含(t)“迭代”)
跟踪的情节 显示时间的常量值,在此期间,先前的观察窗内的损失最多是0.05。
输入参数
Mdl
- - - - - -朴素贝叶斯分类模型的增量学习
incrementalClassificationNaiveBayes
模型对象
朴素贝叶斯分类模型的增量学习适合流媒体数据,指定为一个incrementalClassificationNaiveBayes
模型对象。您可以创建Mdl
直接或通过转换支持,传统上使用训练有素的机器学习模型金宝appincrementalLearner
函数。更多细节,请参阅相应的引用页面。
X
- - - - - -块的预测数据
浮点矩阵
块的预测数据模型是合适的,指定为一个n——- - - - - -Mdl.NumPredictors
浮点矩阵。
观察标签的长度Y
和观察的数量X
必须是相等的;Y (
观察的标签吗j(行)j
)X
。
请注意
如果Mdl.NumPredictors
= 0,适合
推断预测的数量X
,并设置相应的属性的输出模型。否则,如果流数据中预测变量的数量变化Mdl.NumPredictors
,适合
一个错误的问题。
数据类型:单
|双
Y
- - - - - -块的标签
分类数组|字符数组|字符串数组|逻辑向量|浮点矢量|单元阵列的特征向量
块的标签模型是合适的,指定分类,字符,或字符串数组,逻辑或浮点向量,或单元阵列的特征向量。
观察标签的长度Y
和观察的数量X
必须是相等的;Y (
观察的标签吗j(行)j
)X
。
适合
问题时一个错误或满足这两个条件:
Y
包含一个新的标签和类的最大数量已经达到(参见MaxNumClasses
和一会
参数的incrementalClassificationNaiveBayes
)。的
一会
输入模型的属性Mdl
非空的,数据类型的Y
和Mdl.ClassNames
是不同的。
数据类型:字符
|字符串
|细胞
|分类
|逻辑
|单
|双
请注意
如果一个观察(预测或标签)或重量包含至少一个失踪(南
)的值,适合
忽略了观察。因此,适合
使用不到n观察到创建一个更新模型,n观察的数量吗X
。
输出参数
Mdl
——更新朴素贝叶斯分类模型的增量学习
incrementalClassificationNaiveBayes
模型对象
更新的朴素贝叶斯分类模型的增量学习,作为一个增量学习模型对象返回相同的数据类型作为输入模型Mdl
,一个incrementalClassificationNaiveBayes
对象。
除了更新分布模型参数,适合
当执行以下操作Y
包含预期,但未经加工的,类:
如果你不指定所有预期通过使用类
一会
名称-值参数当您创建输入模型Mdl
使用incrementalClassificationNaiveBayes
,适合
:附加任何新的标签
Y
的尾巴Mdl.ClassNames
。扩展
Mdl.Cost
到一个c——- - - - - -c矩阵,c类的数量在吗Mdl.ClassNames
。由此产生的误分类代价矩阵是平衡的。扩展
Mdl.Prior
一个长度c一个更新的经验类分布的向量。
如果您指定所有预期类当您创建输入模型
Mdl
或将使用传统训练朴素贝叶斯模型incrementalLearner
,但你不指定一个误分类代价矩阵(Mdl.Cost
),适合
集误分类代价的类来处理1
和未处理的类南
。例如,如果适合
流程的第一个两个类可能的三个类,Mdl.Cost
是[0 1南;1 0南;1 1 0)
。
更多关于
Bag-of-Tokens模型
在bag-of-tokens模型中,预测的价值j出现次数非负的令牌j在观察。类别的数量(箱)多项式模型是不同的令牌的数量(预测)。
提示
与传统的培训、增量学习可能没有一个单独的测试(抵抗)。因此,将每个传入的数据作为测试集,通过增量式模型和每个传入的块
updateMetrics
在训练模型相同的数据。
算法
正态分布估计
如果预测变量j
有条件正态分布(见DistributionNames
属性),软件符合该职业专用分布到数据通过计算加权平均数和偏见(最大似然)估计的加权标准差。为每一个类k:
预测的加权平均数j是
在哪里w我是观察的重量吗我。软件可实现重量在一个类,这样他们的先验概率和类。
加权标准差的无偏估计量的预测j是
估计概率多项式分布
如果所有的预测变量组成一个条件多项式分布(见DistributionNames
属性),软件符合分配使用Bag-of-Tokens模型。软件商店令牌的概率j
出现在课堂上k
在房地产DistributionParameters {
。与添加剂平滑[1],估计概率k
,j
}
地点:
出现次数加权的令牌是什么j在课堂上k。
nk在课堂观察的数量吗k。
是观察的重量吗我。软件可实现重量在一个类,这样他们和这个类的先验概率。
的总加权数在课堂上出现的所有令牌k。
多元多项式估计概率分布
如果预测变量j
有一个有条件的多元多项式分布(见DistributionNames
属性),软件遵循这个过程:
软件收集一系列独特的水平,存储排序列表
CategoricalLevels
,认为每个级别一个本。每个预测和类是一个独立,独立随机变量多项式。为每一个类k,软件计算的实例使用列表存储在每个分类级别
CategoricalLevels {
。j
}软件商店的概率预测
j
在课堂上k
有水平l在房地产DistributionParameters {
所有水平k
,j
}CategoricalLevels {
。与添加剂平滑[1],估计概率j
}地点:
这是预测的加权数量的观察j=l在课堂上k。
nk在课堂观察的数量吗k。
如果xij=l,否则和0。
是观察的重量吗我。软件可实现重量在一个类,这样他们和这个类的先验概率。
米j不同水平预测的数量吗j。
米k加权类的观测数量吗k。
观察权重
为每个条件预测分布,适合
计算加权平均和标准偏差。
如果之前类概率分布是已知的(换句话说,先验分布不是经验),适合
规范化观察权重总和之前类概率在各自的类。这个动作意味着默认观察权重前各自类的概率。
如果类概率分布是经验之前,软件可实现指定观察权重之和为1每次调用适合
。
引用
[1]曼宁,克里斯托弗·D。,Prabhakar Raghavan, and Hinrich Schütze.信息检索概论》,纽约:剑桥大学出版社,2008年。
版本历史
介绍了R2021aR2021b:朴素贝叶斯增量拟合函数计算偏差(最大似然)标准差有条件地正常的预测变量
行为改变R2021b
从R2021b,朴素贝叶斯增量拟合函数适合
和updateMetricsAndFit
计算偏差(最大似然)估计的加权标准差在训练条件正常的预测变量。换句话说,对于每个类k,增量功能正常化的总和平方加权偏差的条件正常的预测xj在课堂上通过权重的总和k。R2021b之前,朴素贝叶斯增量计算拟合函数的无偏标准差,fitcnb
。返回当前加权标准差估计不同于R2021b之前计算的一个因素
因子接近1随着样本容量的增加。
MATLAB명령
다음MATLAB명령에해당하는링크를클릭했습니다。
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는MATLAB명령을지원하지않습니다。
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。