预测
从线性增量学习模型预测反应的新观察
描述
例子
预测类标签
载入人类活动数据集。
负载humanactivity
细节的数据集,输入描述在命令行中。
响应可以是五类:坐着,站着,散步,跑步,或者跳舞。二分响应通过识别主题是否移动(actid> 2)。
Y = actid > 2;
适合一个线性分类模型对整个数据集。
TTMdl = fitclinear(壮举,Y)
TTMdl = ClassificationLinear ResponseName:“Y”类名:[0 1]ScoreTransform:“没有一个”测试:[60 x1双]偏见:-0.2005λ:4.1537 e-05学习者:“支持向量机”属性,方法
TTMdl是一个ClassificationLinear模型对象代表了一个传统上训练有素的线性分类模型。
传统训练线性分类模型转换为一个二进制分类线性模型的增量学习。
IncrementalMdl = incrementalLearner (TTMdl)
IncrementalMdl = incrementalClassificationLinear IsWarm: 1指标:[1 x2表]一会:[0 1]ScoreTransform:“没有一个”测试:[60 x1双]偏见:-0.2005学习者:“支持向量机”属性,方法
IncrementalMdl是一个incrementalClassificationLinear模型对象准备使用SVM增量学习。
的
incrementalLearner函数初始化增量学习者通过学习系数,以及其他信息TTMdl从训练数据。IncrementalMdl是温暖的IsWarm是1),这意味着可以开始跟踪性能指标增量学习功能。的
incrementalLearner配置模型被训练使用自适应尺度不变的解决者,而fitclinear训练有素的TTMdl利用高炉煤气解算器
增量学习者从转换创建一个传统训练模型可以生成预测没有进一步处理。
所有观测使用这两种模型预测类标签。
ttlabels =预测(TTMdl壮举);illables =预测(IncrementalMdl壮举);sameLabels =总和(ttlabels ~ = illables) = = 0
sameLabels =逻辑1
为每个观察两个模型预测相同的标签。
指定观测数据中的取向
如果你东方观察预测数据矩阵的列,你可以体验一个在增量学习效率提高。
负载和洗牌2015年纽约市住房数据集。更多细节数据,看看纽约市公开的数据。
负载NYCHousing2015rng (1)%的再现性n =大小(NYCHousing2015, 1);shuffidx = randsample (n, n);NYCHousing2015 = NYCHousing2015 (shuffidx:);
提取反应变量SALEPRICE从表中。运用对数变换SALEPRICE。
日志(NYCHousing2015 Y =。SALEPRICE + 1);%避免日志加1 0NYCHousing2015。SALEPRICE = [];
创建虚拟变量分类预测矩阵。
catvars = [“区”“BUILDINGCLASSCATEGORY”“社区”];dumvarstbl = varfun (@ (x) dummyvar(分类(x)), NYCHousing2015,…“数据源”,catvars);dumvarmat = table2array (dumvarstbl);NYCHousing2015 (:, catvars) = [];
对所有其他表中的数值变量的线性预测销售价格。连接矩阵的虚变量的预测数据,和转置数据加速计算。
idxnum = varfun (@isnumeric NYCHousing2015,“OutputFormat”,“统一”);X = [dumvarmat NYCHousing2015 {:, idxnum}] ';
配置增量学习没有估计的线性回归模型。
Mdl = incrementalRegressionLinear (“学习者”,“leastsquares”,“EstimationPeriod”,0);
Mdl是一个incrementalRegressionLinear模型对象。
执行增量学习和预测为每次迭代遵循这个过程:
模拟数据流处理一块100年的观察。
符合模型传入的数据块。指定的观测是面向列的数据。覆盖前面的增量模型和新模型。
使用拟合模型和预测响应传入的数据块。指定的观测是面向列的数据。
%预先配置numObsPerChunk = 100;n =元素个数(Y);nchunk =地板(n / numObsPerChunk);r =南(n, 1);图h =情节(r);h。YDataSource =“r”;ylabel (“残差”)包含(“迭代”)%增量式拟合为j = 2: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;Mdl =适合(Mdl X (:, idx), Y (idx),“ObservationsIn”,“列”);yhat =预测(Mdl X (:, idx),“ObservationsIn”,“列”);r (idx) = Y (idx)——yhat;refreshdata drawnow结束
Mdl是一个incrementalRegressionLinear模型对象培训中的所有数据流。
残差出现对称遍布0在增量学习。
计算后验概率类
计算后验概率类,指定一个逻辑回归增量学习。
载入人类活动数据集。随机洗牌数据。
负载humanactivityn =元素个数(actid);rng (10);%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。
响应可以是五类:坐着,站着,散步,跑步,或者跳舞。二分响应通过识别主题是否移动(actid> 2)。
Y = Y > 2;
创建一个增量为二进制分类logistic回归模型。它准备预测通过指定类名和任意系数和偏差值。
p =大小(X, 2);β= randn (p, 1);偏见= randn (1);Mdl = incrementalClassificationLinear (“学习者”,“物流”,“β”,β,…“偏见”偏见,“类名”,独特的(Y));
Mdl是一个incrementalClassificationLinear模型。所有的属性是只读的。而不是指定任意值,您可以采取这些行动准备模型:
火车二进制的逻辑回归模型分类使用
fitclinear在数据的一个子集(如果有的话),然后将模型转换为一个增量学习者通过使用incrementalLearner。逐步适应
Mdl通过使用数据适合。
模拟数据流,并执行以下行动在每个传入的50块的观察。
调用
预测预测分类观察评分传入的数据块。分类分数后类概率逻辑回归的学习者。调用
rocmetrics计算ROC曲线下的面积(AUC)使用传入的数据块,并存储结果。调用
适合以适应模型的一部分。覆盖前面的增量式模型与一个新安装的观察。
numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);auc = 0 (nchunk, 1);%增量学习为j = 1: nchunk ibegin = min (n, numObsPerChunk * (j - 1) + 1);iend = min (n, numObsPerChunk * j);idx = ibegin: iend;[~,posteriorProb] =预测(Mdl X (idx:));rocObj = rocmetrics (Y (idx), posteriorProb Mdl.ClassNames);auc (j) = rocObj.AUC (1);Mdl =适合(Mdl X (idx:), Y (idx));结束
Mdl是一个incrementalClassificationLinear模型对象培训中的所有数据流。
情节上的AUC传入的数据块。
情节(auc) ylabel (“AUC”)包含(“迭代”)
情节表明,该分类器预测移动对象在增量学习。
