updateMetricsAndFit

给新数据和训练模型，更新朴素贝叶斯增量学习分类模型中的性能指标

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首先评估用于增量学习的配置朴素贝叶斯分类模型的性能(incrementalClassificationNaiveBayes对象)通过调用updateMetrics在输入数据。然后updateMetricsAndFit通过调用使模型与该数据相匹配适合．换句话说,updateMetricsAndFit执行prequential评价因为它将每个传入的数据块视为一个测试集，并跟踪在指定窗口内累积测量的性能指标[1]．

updateMetricsAndFit提供一种简单的方法来更新模型性能指标，并在每个数据块上训练模型。或者，您可以通过调用单独执行这些操作updateMetrics然后适合，这允许更多的灵活性(例如，您可以决定是否需要根据模型在数据块上的性能来训练模型)。

例子

Mdl= updateMetricsAndFit (Mdl，X，Y）返回一个用于增量学习的朴素贝叶斯分类模型Mdl，为增量学习的输入朴素贝叶斯分类模型Mdl修改如下:

updateMetricsAndFit根据传入的预测器和响应数据度量模型的性能，X而且Y分别。当输入模型为温暖的（Mdl。我年代Warm是真正的)，updateMetricsAndFit对象中存储的先前计算的度量值指标属性，使用新值。否则,updateMetricsAndFit商店南值指标代替。
updateMetricsAndFit通过更新每个预测变量的条件后验均值和标准偏差(给定类)，将修改后的模型与传入数据拟合，并将新的估计和其他配置存储在输出模型中Mdl．

例子

Mdl= updateMetricsAndFit (Mdl，X，Y“重量”,权重）还设置了观察权重权重．

例子

全部折叠

更新数据流的性能指标和训练模型

打开生活的脚本

创建一个朴素贝叶斯分类模型，通过调用进行增量学习incrementalClassificationNaiveBayes并在数据中指定最多5个预期类。

Mdl = incrementalClassificationNaiveBayes (“MaxNumClasses”5)

Mdl = incrementalClassificationNaiveBayes IsWarm: 0 Metrics: [1x2 table] ClassNames: [1x0 double] ScoreTransform: 'none' DistributionNames: 'normal' DistributionParameters:{}属性，方法

Mdl是一个incrementalClassificationNaiveBayes模型对象。它的所有属性都是只读的。

Mdl必须适合于数据，才能使用它执行任何其他操作。

加载人类活动数据集。随机打乱数据。

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);

有关数据集的详细信息，请输入描述在命令行。

通过在每次迭代中执行以下操作来实现增量学习:

通过处理50个观察数据块来模拟数据流。
用一个新模型覆盖先前的增量模型，以适应传入的观察结果。
在第一类中存储第一个预测器的条件均值 $μ_{11}$ 、累积度量和窗口度量，以查看它们在增量学习中如何发展。

%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。指标{“MinimalCost”,:};mu11(j + 1) = mld . distributionparameters {1,1}(1);结束

现在,Mdl是一个incrementalClassificationNaiveBayes对流中的所有数据进行训练的模型对象。在增量学习过程中和模型预热之后，updateMetricsAndFit检查模型在传入观测数据上的性能，然后将模型与这些观测数据拟合。

看看绩效指标和 $μ_{11}$ 在训练过程中进化，将它们绘制在单独的贴图上。

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

图中包含2个轴对象。axis对象1包含一个类型为line的对象。坐标轴对象2包含3个类型为line、constantline的对象。这些对象表示累积、窗口。

这幅图表明updateMetricsAndFit执行以下操作:

适合 $μ_{11}$ 在所有增量学习迭代过程中。
只在指标预热期之后计算性能指标。
计算每次迭代期间的累积度量。
在处理200个观察结果(4次迭代)后计算窗口度量。

指定观察权重

打开生活的脚本

训练朴素贝叶斯分类模型fitcnb，将其转换为增量学习器，跟踪其在流数据上的表现，并在一次调用中使其适合于数据。指定观察权重。

加载和预处理数据

加载人类活动数据集。随机打乱数据。

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);

有关数据集的详细信息，请输入描述在命令行。

假设来自静止物体的数据(Y<= 2)的数据质量是移动主题的两倍。创建一个权重变量，将2的权重分配给静止的受试者，1的权重分配给移动的受试者。

W = ones(n,1) + (Y <= 2);

训练朴素贝叶斯分类模型

拟合一个朴素贝叶斯分类模型随机样本的一半数据。

Idxtt = randsample([true false]，n,true);TTMdl = fitcnb (X (idxtt:), Y (idxtt),“重量”W (idxtt))

TTMdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' NumObservations: 12053 DistributionNames: {1x60 cell} DistributionParameters: {5x60 cell}属性，方法

TTMdl是一个ClassificationNaiveBayes模型对象代表传统训练的朴素贝叶斯分类模型。

转换训练模型

将传统训练模型转换为朴素贝叶斯分类模型，进行增量学习。指定跟踪增量学习时的误分类错误率。

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

IncrementalMdl = incrementalClassificationNaiveBayes IsWarm: 1 Metrics: [2x2 table] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' DistributionNames: {1x60 cell} DistributionParameters: {5x60 cell}属性，方法

IncrementalMdl是一个incrementalClassificationNaiveBayes模型。因为类名是在IncrementalMdl。一会，在增量学习过程中遇到的标签必须在IncrementalMdl。一会．

跟踪绩效指标和拟合模型

方法对其余数据执行增量学习updateMetricsAndFit函数。在每一次迭代:

通过一次处理50个观察数据来模拟数据流。
调用updateMetricsAndFit更新模型的累积性能指标和窗口性能指标，给定传入的观察数据块，然后将模型与数据拟合。用一个新模型覆盖以前的增量模型。指定观察权重。
存储误分类错误率。

%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。指标{“ClassificationError”,:};结束

现在,IncrementalMdl是一个incrementalClassificationNaiveBayes对流中的所有数据进行训练的模型对象。

创建一个错误分类错误率的轨迹图。

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

图中包含一个axes对象。坐标轴对象包含两个line类型的对象。这些对象表示累积、窗口。

累积损失一开始会跳跃，但稳定在0.05左右，而窗口损失在整个训练过程中都在跳跃。

输入参数

全部折叠

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

朴素贝叶斯分类模型对增量学习的性能进行度量，然后对数据进行拟合，指定为incrementalClassificationNaiveBayes模型对象。您可以创建Mdl直接或通过转换一个受支持的，传统训练的机器学习模型使用金宝appincrementalLearner函数。有关更多详细信息，请参见相应的参考页面。

如果Mdl。我年代Warm是假，updateMetricsAndFit不跟踪模型的性能。有关更多细节，请参见性能指标．

`X`- - - - - -大块预测数据
浮点矩阵

预测器数据块，用来衡量模型的性能，然后将模型拟合，指定为n——- - - - - -Mdl。NumPredictors浮点矩阵。

观察标签的长度Y观察到的数量X必须是相等的;Y (j）是观察的标签吗j(行)X．

请注意

如果Mdl。NumPredictors= 0,updateMetricsAndFit推断预测器的数量X，并设置输出模型的相应属性。否则，如果流数据中的预测器变量的数量从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|字符向量的单元格数组

标签块，用来测量模型的性能，然后将模型与之匹配，指定为类别、字符或字符串数组;逻辑或浮点向量;或者字符向量的单元格数组。

观察标签的长度Y观察到的数量X必须是相等的;Y (j）是观察的标签吗j(行)X．

updateMetricsAndFit当满足以下一个或两个条件时发出错误:

Y包含一个新标签，且已达到类的最大数量(请参阅MaxNumClasses而且一会参数的incrementalClassificationNaiveBayes）.
的一会属性Mdl是非空的，而数据类型为Y而且Mdl。一会是不同的。

数据类型:字符|字符串|细胞|分类|逻辑|单|双

`权重`- - - - - -大块观察权重
正数值的浮点向量

观察权重块，指定为正数值的浮点向量。updateMetricsAndFit权衡观察结果X对应的值权重．的大小权重必须等于n的观测次数X．

默认情况下,权重是(n，1)．

有关更多细节，包括规范化方案，请参见观察权重．

数据类型:双|单

请注意

如果一个观察值(预测因子或标签)或权重包含至少一个缺失(南)的值,updateMetricsAndFit忽略了观察。因此,updateMetricsAndFit使用不到n观察结果计算模型性能并创建一个更新的模型，其中n观察的数量在吗X．

输出参数

全部折叠

`Mdl`-更新了用于增量学习的朴素贝叶斯分类模型
`incrementalClassificationNaiveBayes`模型对象

更新了用于增量学习的朴素贝叶斯分类模型，作为与输入模型相同数据类型的增量学习模型对象返回Mdl，incrementalClassificationNaiveBayes．

如果模型不是热的，updateMetricsAndFit不计算性能指标。结果，指标的属性Mdl仍然完全由南值。如果模型是温的，updateMetricsAndFit计算新数据上的累积和窗口性能指标X而且Y的对应元素Mdl。指标．有关更多细节，请参见性能指标．

除了更新分布模型参数外，updateMetricsAndFit执行以下操作时Y包含预期的但未处理的类:

方法指定所有期望的类一会创建输入模型时的名称-值参数Mdl使用incrementalClassificationNaiveBayes，updateMetricsAndFit：
1. 追加任何新标签Y直到…的尾部Mdl。一会．
2. 扩展Mdl。成本到一个c——- - - - - -c矩阵,c班数在吗Mdl。一会．由此产生的错误分类成本矩阵得到了平衡。
3. 扩展Mdl。Prior一个长度c更新的经验类分布的向量。
如果在创建输入模型时指定所有期望的类Mdl或转换传统训练的朴素贝叶斯模型使用incrementalLearner，但你没有指定错误分类的成本矩阵(Mdl。成本)，updateMetricsAndFit将已处理类的错误分类代价设置为1和未处理的类南．例如,如果updateMetricsAndFit处理可能有三个类中的前两个类，Mdl。成本是[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具有条件正态分布(见DistributionNames属性)，软件通过计算类特定的加权平均值和加权标准差的有偏(最大似然)估计来拟合数据的分布。为每一个类k：

预测器的加权平均值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_我重量是用来观察的吗我．该软件将类中的权重规范化，使其之和为该类的先验概率。
预测器加权标准差的无偏估计量j是

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

多项式分布的估计概率

如果所有的预测变量组成一个条件多项分布(参见DistributionNames属性)，该软件适用于使用Bag-of-Tokens模型．软件存储该token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]，估计概率为

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

地点:

$c_{j | k} ＝ n_{k} \frac{\sum_{｛我： y_{我} ＝ k ｝}^{} x_{我 j} w_{我}^{}}{\sum_{｛我： y_{我} ＝ k ｝}^{} w_{我}} ，$ 令牌出现的加权次数是多少j在课堂上k．
n_k是课堂上观察的次数吗k．
$w_{我}^{}$ 重量是用来观察的吗我．该软件将一个类中的权重规范化，使它们之和为该类的先验概率。
$c_{k} ＝ \sum_{j ＝ 1}^{P} c_{j | k} ，$ 类中所有令牌出现的总加权次数是多少k．

多元多项式分布的估计概率

如果预测变量j具有条件多元多项式分布(参见DistributionNames属性)，软件遵循以下步骤:

该软件收集的唯一级别的列表，存储在排序的列表CategoricalLevels，并将每一层视为一个箱子。预测器和类的每一个组合都是一个独立的多项随机变量。
为每一个类k，该软件使用存储在中的列表来统计每个分类级别的实例CategoricalLevels {j｝．
软件存储预测器的概率j在课堂上k有水平l在房地产DistributionParameters {k，j｝，适用于所有级别CategoricalLevels {j｝．与添加剂平滑[２]，估计概率为

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

地点:
- $米_{j | k} （ l ）＝ n_{k} \frac{\sum_{｛我： y_{我} ＝ k ｝}^{} 我｛ x_{我 j} ＝ l ｝ w_{我}^{}}{\sum_{｛我： y_{我} ＝ k ｝}^{} w_{我}^{}} ，$ 哪个预测器的加权观察数是多少j=l在课堂上k．
- n_k是课堂上观察的次数吗k．
- $我｛ x_{我 j} ＝ l ｝＝ 1$ 如果x_ij＝l，否则为0。
- $w_{我}^{}$ 重量是用来观察的吗我．该软件将一个类中的权重规范化，使它们之和为该类的先验概率。
- 米_j不同水平的数量是预测指标吗j．
- 米_k课堂上观察的次数是加权的吗k．

性能指标

updateMetricsAndFit中表的行标签指定的跟踪模型性能指标Mdl。指标，从新数据只有当增量模型是温暖的（IsWarm属性是真正的）.
- 如果您通过使用incrementalLearner而且MetricsWarmupPeriod是0(默认为incrementalLearner)，模型在创建时是温暖的。
- 否则，增量模型在增量拟合函数之后变暖，如updateMetricsAndFit，执行这两个操作:
  - 拟合增量模型Mdl。MetricsWarmupPeriod观察，也就是度量预热期．
  - 使增量模型适合于所有预期的类(参见MaxNumClasses而且一会参数的incrementalClassificationNaiveBayes）.
Mdl。指标将每个性能指标的两种形式存储为表的变量(列)，累积而且窗口，将单个指标按行排列。当增量模型是温暖的，updateMetricsAndFit以以下频率更新指标:
- 累积-该函数计算自模型性能跟踪开始以来的累积度量。每次调用该函数时，该函数都会更新度量，并基于整个提供的数据集进行计算。
- 窗口函数根据窗口内的所有观察结果计算指标Mdl。MetricsWindowSize财产。Mdl。MetricsWindowSize还决定软件更新的频率窗口指标。例如,如果Mdl。MetricsWindowSize为20，该函数根据所提供数据中的最近20个观察结果计算指标(X((end - 20 + 1):end，:)而且Y((end - 20 + 1):end)）.
  跟踪窗口内性能指标的增量函数使用以下过程:
  1. 存储一个长度的缓冲区Mdl。MetricsWindowSize对于每个指定的度量，并存储一个观察权重的缓冲区。
  2. 根据批量传入的观察数据，用模型性能填充度量缓冲区的元素，并在权重缓冲区中存储相应的观察权重。
  3. 当缓冲区已满时，重写Mdl.Metrics.Window使用指标窗口中的加权平均性能。如果在函数处理一批观察时缓冲区被填满，则最新传入的Mdl。MetricsWindowSize观测数据进入缓冲区，最早的观测数据从缓冲区中删除。例如,假设Mdl。MetricsWindowSize为20时，指标缓冲区有10个值来自先前处理的批处理，15个值是传入的。为了组成长度为20的窗口，该函数使用来自15个传入观察的测量值和来自前一批的最新5个测量值。
这个软件用一个南在计算累积而且窗口性能度量值。

观察权重

对于每个条件预测分布，updateMetricsAndFit计算加权平均值和标准差。

如果先验类概率分布已知(换句话说，先验分布不是经验的)，updateMetricsAndFit将观察权重归一化，使之与各自类中的先验类概率相加。这个动作意味着默认的观察权重是各自的先验类概率。

如果先验类概率分布是经验的，软件将指定的观察权重归一化，每次调用时总和为1updateMetricsAndFit．

参考文献

[1]比菲特，艾伯特，里卡德Gavaldá，杰弗里·霍姆斯和伯恩哈德·法林格。MOA中数据流的机器学习及其实例．剑桥，马萨诸塞州:麻省理工学院出版社，2007年。

[2]曼宁，克里斯托弗·D，普拉巴卡尔·拉加万，辛里奇Schütze。信息检索导论纽约:剑桥大学出版社，2008。

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有条件正常预测变量的有偏差(最大似然)标准差

从R2021b开始，朴素贝叶斯增量拟合函数适合而且updateMetricsAndFit计算训练过程中条件正常预测变量的加权标准差的偏倚(最大似然)估计。换句话说，对于每个类k，增量拟合函数归一化条件正态预测器加权偏差平方和x_j通过类中权重的和k．在R2021b之前，朴素贝叶斯增量拟合函数计算无偏标准差，如fitcnb．目前返回的加权标准差估计值与R2021b之前计算的估计值相差一个因子

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

随着样本量的增加，因子趋于1。

另请参阅

对象

incrementalClassificationNaiveBayes

功能

updateMetrics|适合

updateMetricsAndFit

语法

描述

例子

更新数据流的性能指标和训练模型

指定观察权重

输入参数

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

X- - - - - -大块预测数据浮点矩阵

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|字符向量的单元格数组

权重- - - - - -大块观察权重正数值的浮点向量

输出参数

Mdl-更新了用于增量学习的朴素贝叶斯分类模型incrementalClassificationNaiveBayes模型对象

更多关于

Bag-of-Tokens模型

算法

正态分布估计

多项式分布的估计概率

多元多项式分布的估计概率

性能指标

观察权重

参考文献

版本历史

R2021b:朴素贝叶斯增量拟合函数计算有条件正常预测变量的有偏差(最大似然)标准差

另请参阅

对象

功能

主题

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

`X`- - - - - -大块预测数据
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|字符向量的单元格数组

`权重`- - - - - -大块观察权重
正数值的浮点向量

`Mdl`-更新了用于增量学习的朴素贝叶斯分类模型
`incrementalClassificationNaiveBayes`模型对象