updateMetricsAndFit

在朴素贝叶斯更新性能指标增量学习分类模型给出新的数据和训练模式

语法

Mdl = updateMetricsAndFit (Mdl, X, Y)

Mdl = updateMetricsAndFit (Mdl, X, Y,权重,权重)

描述

给定的流数据,updateMetricsAndFit第一次评估的性能配置的朴素贝叶斯分类模型的增量学习(incrementalClassificationNaiveBayes对象)通过调用updateMetrics在输入数据。然后updateMetricsAndFit适合的模型,通过调用数据适合。换句话说,updateMetricsAndFit执行prequential评价因为它对待每个传入的数据作为测试集,并跟踪性能指标测量累计,在指定的窗口[1]。

updateMetricsAndFit提供了一个简单的方法来更新模型性能指标和训练模型在每个块的数据。或者,您可以分别通过调用执行的操作updateMetrics然后适合允许更大的灵活性(例如,您可以决定你是否需要训练一块的模型根据其性能数据)。

例子

Mdl= updateMetricsAndFit (Mdl,X,Y)返回一个朴素贝叶斯分类模型的增量学习Mdl,这是输入增量学习的朴素贝叶斯分类模型Mdl以下修改:

updateMetricsAndFit测量模型性能的预测和响应数据,X和Y分别。当输入模型温暖的(Mdl.IsWarm是真正的),updateMetricsAndFit覆盖之前的计算指标,存储在指标财产,用新的价值观。否则,updateMetricsAndFit商店南值指标代替。
updateMetricsAndFit符合修改后的模型输入数据通过更新条件后每个预测变量的平均值和标准偏差,考虑到类,并存储新估计,其他配置,在输出模型Mdl。

例子

Mdl= updateMetricsAndFit (Mdl,X,Y“重量”,权重)还设置观察权重权重。

例子

全部折叠

更新性能指标和训练数据流模型

打开生活的脚本

创建一个朴素贝叶斯分类模型的增量学习通过调用incrementalClassificationNaiveBayes并指定最多5类的数据。

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模型对象。所有的属性是只读的。

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。

实现增量学习在每个迭代中执行以下操作:

模拟数据流处理一块50的观察。
覆盖前面的增量式模型与一个新安装的观察。
存储条件意味着在第一节课的第一个预测 $μ_{11}$ 、累积度量和窗口指标增量学习期间看到他们如何演变。

%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);(nchunk mc = array2table (0, 2),“VariableNames”,(“累积”“窗口”]);mu11 = 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 = updateMetricsAndFit (Mdl X (idx:), Y (idx));mc {j:} = Mdl.Metrics {“MinimalCost”,:};mu11 (j + 1) = Mdl.DistributionParameters {1 1} (1);结束

现在,Mdl是一个incrementalClassificationNaiveBayes模型对象培训中的所有数据流。在增量学习模型是热身之后,updateMetricsAndFit检查模型的性能的观察,然后符合观测模型。

性能指标和 $μ_{11}$ 进化在训练,放到单独的瓷砖。

t = tiledlayout (2, 1);nexttile情节(mu11) ylabel (“\ mu_ {11}”)xlim ([0 nchunk]) nexttile h =情节(mc.Variables);xlim ([0 nchunk]) ylabel (“最小成本”)参照线(Mdl.MetricsWarmupPeriod / numObsPerChunk,r -。传奇(h, mc.Properties.VariableNames)包含(t)“迭代”)

图包含2轴对象。坐标轴对象1包含一个类型的对象。轴2包含3线类型的对象,对象constantline。这些对象代表累积,窗口。

情节表明updateMetricsAndFit执行以下操作:

适合 $μ_{11}$ 在增量学习迭代。
计算后的性能指标度量预热期。
在每一次迭代计算累积度量。
计算窗口指标200年处理后观察(4迭代)。

指定观察权重

打开生活的脚本

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,跟踪其性能数据流数据并把它在一个电话。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)双质量的数据从一个移动的主题。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。指定跟踪错误分类错误率在增量学习。

IncrementalMdl = incrementalLearner (TTMdl,“指标”,“classiferror”)

IncrementalMdl = incrementalClassificationNaiveBayes IsWarm: 1指标:[2 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。

跟踪性能指标和模型

对其余的数据执行增量学习使用updateMetricsAndFit函数。在每一次迭代:

模拟数据流处理50观测一次。
调用updateMetricsAndFit更新模型的累积和窗口性能指标的输入块的观察,然后适应模型数据。覆盖前面的增量式模型与一个新的。指定观察权重。
存储错误分类错误率。

%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 = updateMetricsAndFit (IncrementalMdl自(idx:), Yil (idx),…“重量”会(idx));mc {j:} = IncrementalMdl.Metrics {“ClassificationError”,:};结束

现在,IncrementalMdl是一个incrementalClassificationNaiveBayes模型对象培训中的所有数据流。

创建一个跟踪错误分类错误率的情节。

h =情节(mc.Variables);xlim ([0 nchunk]) ylabel (分类错误的传奇(h, mc.Properties.VariableNames)包含(“迭代”)

图包含一个坐标轴对象。坐标轴对象包含2线类型的对象。这些对象代表累积,窗口。

累计损失最初跳跃,但稳定在0.05,而窗口失去跳跃在整个培训。

输入参数

全部折叠

`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测量的性能适合数据,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。

如果Mdl.IsWarm是假,updateMetricsAndFit没有跟踪的性能模型。更多细节,请参阅性能指标。

`X`- - - - - -块的预测数据
浮点矩阵

块的测量模型的性能预测数据,然后适应模型,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 (j)观察的标签吗j(行)X。

请注意

如果Mdl.NumPredictors= 0,updateMetricsAndFit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,updateMetricsAndFit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

块标签测量模型的性能,然后适应模型,指定分类,字符,或字符串数组;逻辑或浮点矢量;或细胞的特征向量。

观察标签的长度Y和观察的数量X必须是相等的;Y (j)观察的标签吗j(行)X。

updateMetricsAndFit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

`权重`- - - - - -块的观察权重
浮点矢量的积极的价值观

块的观察重量、指定为一个浮点向量的积极的价值观。updateMetricsAndFit重的观察X与相应的值权重。的大小权重必须等于n,观测的数量X。

默认情况下,权重是(n,1)。

更多细节,包括标准化方案,请参阅观察权重。

数据类型:双|单

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,updateMetricsAndFit忽略了观察。因此,updateMetricsAndFit使用不到n观察计算模型性能和创建一个更新模型,n观察的数量吗X。

输出参数

全部折叠

`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,incrementalClassificationNaiveBayes。

如果模型没有温暖,updateMetricsAndFit不计算性能指标。结果,指标的属性Mdl是完全由南值。如果模型是温暖的,updateMetricsAndFit计算累积和窗口性能指标的新数据X和Y,覆盖相应的元素Mdl.Metrics。更多细节,请参阅性能指标。

除了更新分布模型参数,updateMetricsAndFit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,updateMetricsAndFit:
1. 附加任何新的标签Y的尾巴Mdl.ClassNames。
2. 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。
3. 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),updateMetricsAndFit集误分类代价的类来处理1和未处理的类南。例如,如果updateMetricsAndFit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)。

算法

全部折叠

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

${\bar{x}}_{j | k} = \frac{\sum_{{我 : y_{我} = k}} w_{我} x_{我 j}}{\sum_{{我 : y_{我} = k}} w_{我}},$

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

${年代}_{j | k} = {(\frac{\sum_{{我 : y_{我} = k}} w_{我} {(x_{我 j} - {\bar{x}}_{j | k})}^{2}}{\sum_{{我 : y_{我} = k}} w_{我}}]}^{1 / 2} 。$

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 {k,j}。与添加剂平滑[2],估计概率

$P (令牌 j | 类 k) = \frac{1 + c_{j | k}}{P + c_{k}},$

地点:

$c_{j | k} = n_{k} \frac{\sum_{{我 : y_{我} = k}}^{} x_{我 j} w_{我}^{}}{\sum_{{我 : y_{我} = k}}^{} w_{我}},$ 出现次数加权的令牌是什么j在课堂上k。
n_k在课堂观察的数量吗k。
$w_{我}^{}$ 是观察的重量吗我。软件可实现重量在一个类,这样他们和这个类的先验概率。
$c_{k} = \sum_{j = 1}^{P} c_{j | k},$ 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 {k,j}所有水平CategoricalLevels {j}。与添加剂平滑[2],估计概率

$P (预测 j = l | 类 k) = \frac{1 + 米_{j | k} (l)}{米_{j} + 米_{k}},$

地点:
- $米_{j | k} (l) = n_{k} \frac{\sum_{{我 : y_{我} = k}}^{} 我 {x_{我 j} = l} w_{我}^{}}{\sum_{{我 : y_{我} = k}}^{} w_{我}^{}},$ 这是预测的加权数量的观察j=l在课堂上k。
- n_k在课堂观察的数量吗k。
- $我 {x_{我 j} = l} = 1$ 如果x_ij=l,否则和0。
- $w_{我}^{}$ 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。

性能指标

updateMetricsAndFit跟踪模型性能指标,表的行指定的标签Mdl.Metrics,从新的数据只有当增量模型温暖的(IsWarm属性是真正的)。
- 如果你创建一个增量式模型使用incrementalLearner和MetricsWarmupPeriod是0(默认incrementalLearner),模型是温暖的在创建。
- 否则,增量模型变得温暖增量后拟合函数,如updateMetricsAndFit,执行这两种操作:
  - 增量模型Mdl.MetricsWarmupPeriod观察,这是度量预热期。
  - 适合所有预期的增量式模型类(请参阅MaxNumClasses和一会参数的incrementalClassificationNaiveBayes)。
Mdl.Metrics商店两种形式的各性能指标作为一个表的变量(列),累积和窗口行,个别指标。当增量模型是温暖的,updateMetricsAndFit在以下的频率更新指标:
- 累积——函数计算累积度量模型以来的跟踪性能。功能更新指标每次调用这个函数和基地提供的计算对整个数据集。
- 窗口——函数计算指标基于观测由在一个窗口Mdl.MetricsWindowSize财产。Mdl.MetricsWindowSize也决定了软件更新的频率窗口指标。例如,如果Mdl.MetricsWindowSize是20,函数计算指标根据过去的20的观察提供的数据(X((结束- 20 + 1):,:)和Y((- 20 + 1)结束:结束))。
  增量跟踪性能指标的函数在一个窗口中使用以下过程:
  1. 存储一个缓冲区的长度Mdl.MetricsWindowSize为每个指定的度量,并存储一个缓冲区的观察权重。
  2. 填充的元素指标基于批次缓冲与模型性能的观察,并存储相应的权重观察权重缓冲区。
  3. 当缓冲区满了,覆盖Mdl.Metrics.Window窗口的加权平均性能指标。如果缓冲区满溢函数处理一批观测时,最新的传入Mdl.MetricsWindowSize观察输入缓冲区,和最早的观察从缓冲区中删除。例如,假设Mdl.MetricsWindowSize是20,缓冲区的指标有10个值从一个以前批处理,和15值传入的。组成20窗口长度,函数使用的测量15传入的观察和最新5测量前一批。

观察权重

为每个条件预测分布,updateMetricsAndFit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),updateMetricsAndFit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updateMetricsAndFit。

引用

[1]Bifet,阿尔伯特·里卡德Gavalda,杰弗里·霍姆斯和Bernhard Pfahringer。机器学习的数据流在农业部实例。剑桥,麻州:麻省理工学院出版社,2007年。

[2]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R2021a

全部展开

R2021b: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x_j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

$1 - \frac{\sum_{{我 : y_{我} = k}} w_{我}^{2}}{{(\sum_{{我 : y_{我} = k}} w_{我})}^{2}} 。$

因子接近1随着样本容量的增加。

另请参阅

对象

incrementalClassificationNaiveBayes

功能

updateMetrics|适合

updateMetricsAndFit

语法

描述

例子

更新性能指标和训练数据流模型

指定观察权重

输入参数

Mdl- - - - - -朴素贝叶斯分类模型的增量学习incrementalClassificationNaiveBayes模型对象

X- - - - - -块的预测数据浮点矩阵

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

权重- - - - - -块的观察权重浮点矢量的积极的价值观

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

更多关于

Bag-of-Tokens模型

算法

正态分布估计

估计概率多项式分布

多元多项式估计概率分布

性能指标

观察权重

引用

版本历史

R2021b: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

另请参阅

对象

功能

主题

`Mdl`- - - - - -朴素贝叶斯分类模型的增量学习
`incrementalClassificationNaiveBayes`模型对象

`X`- - - - - -块的预测数据
浮点矩阵

`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

`权重`- - - - - -块的观察权重
浮点矢量的积极的价值观

`Mdl`——更新朴素贝叶斯分类模型的增量学习
`incrementalClassificationNaiveBayes`模型对象