预测
从线性增量学习模型预测新观测的响应
语法
描述
例子
预测类别标签
加载人类活动数据集。
负载humanactivity
关于数据集的详细信息，请输入描述在命令行。
回答可以分为五类:坐着、站着、走着、跑着或跳舞。通过识别被测者是否在移动(actid> 2)。
Y = actid > 2;
对整个数据集拟合线性分类模型。
TTMdl = fitclinear(专长，Y)
TTMdl = ClassificationLinear ResponseName: 'Y' ClassNames: [0 1] ScoreTransform: 'none' Beta: [60x1 double]偏差:-0.2005 Lambda: 4.1537e-05学习者:'svm'属性，方法
TTMdl是一个ClassificationLinear模型对象表示传统训练的线性分类模型。
将传统训练的线性分类模型转换为增量学习的二元分类线性模型。
IncrementalMdl =增量学习者(TTMdl)
IncrementalMdl = incrementalClassificationLinear IsWarm: 1 Metrics: [1x2 table] ClassNames: [0 1] ScoreTransform: 'none' Beta: [60x1 double]偏差:-0.2005 Learner: 'svm'属性，方法
IncrementalMdl是一个incrementalClassificationLinear利用支持向量机为增量学习准备模型对象。
的
incrementalLearner函数通过将学习到的系数以及其他信息传递给增量学习器来初始化增量学习器TTMdl从训练数据中学习。IncrementalMdl是温暖的(IsWarm是1)，这意味着增量学习功能可以开始跟踪性能指标。的
incrementalLearner配置使用自适应比例不变求解器训练的模型，而fitclinear训练有素的TTMdl使用BFGS求解器
通过转换传统训练模型创建的增量学习器可以生成预测，而无需进一步处理。
使用这两种模型预测所有观测值的类别标签。
ttlabels = predict(TTMdl,feat);illables = predict(IncrementalMdl，壮举);sameLabels = sum(ttlabels ~= illables) == 0
sameLabels =逻辑1
这两个模型对每个观测结果都预测了相同的标签。
在数据中指定观测方向
如果你沿着预测器数据矩阵的列定向观察，你可以在增量学习期间体验到效率的提高。
加载和洗牌2015年纽约市住房数据集。有关数据的详细信息，请参见纽约市开放数据．
负载NYCHousing2015rng (1)%用于再现性n = size(NYCHousing2015,1);Shuffidx = randsample(n,n);NYCHousing2015 = NYCHousing2015(shuffidx，:);
提取响应变量SALEPRICE从桌子上。将日志转换应用于SALEPRICE．
Y = log(NYCHousing2015。售价+ 1);添加1以避免log为0NYCHousing2015。售价= [];
从分类预测器创建虚拟变量矩阵。
Catvars = [“区”“BUILDINGCLASSCATEGORY”“社区”];dumvarstbl = varfun(@(x)dummyvar(categorical(x))，NYCHousing2015，.．.“数据源”, catvars);Dumvarmat = table2array(dumvarstbl);NYCHousing2015(:，catvars) = [];
将表中所有其他数值变量视为销售价格的线性预测因子。将虚拟变量矩阵连接到其余的预测器数据，并将数据转置以加快计算速度。
idxnum = varfun(@isnumeric,NYCHousing2015，“OutputFormat”，“统一”）;X = [dumvarmat NYCHousing2015{:，idxnum}]';
为增量学习配置一个线性回归模型，没有估计周期。
Mdl =增量回归线性(“学习者”，“leastsquares”，“EstimationPeriod”, 0);
Mdl是一个incrementalRegressionLinear模型对象。
执行增量学习和预测，每次迭代都遵循以下步骤:
通过一次处理100个观测数据块来模拟数据流。
使模型适合传入的数据块。指定观察值沿数据列方向排列。用新模型覆盖以前的增量模型。
使用拟合的模型和传入的数据块预测响应。指定观察值沿数据列方向排列。
%预先配置numObsPerChunk = 100;n =数字(Y);nchunk = floor(n/numObsPerChunk);R = nan(n,1);图h =图(r);h.YDataSource =“r”；ylabel (“残差”)包含(“迭代”）%增量拟合为j = 2:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1);iend = min(n,numObsPerChunk*j);Idx = ibegin:iend;Mdl = fit(Mdl,X(:，idx)，Y(idx)，“ObservationsIn”，“列”）;yhat = predict(Mdl,X(:，idx)，“ObservationsIn”，“列”）;r(idx) = Y(idx) - yhat;refreshdata drawnow结束
Mdl是一个incrementalRegressionLinear在流中的所有数据上训练的模型对象。
残差在整个增量学习过程中对称地分布在0附近。
计算后验类别概率
要计算后验类概率，请指定逻辑回归增量学习器。
加载人类活动数据集。随机打乱数据。
负载humanactivityN = numel(actid);rng (10);%用于再现性Idx = randsample(n,n);X = feat(idx，:);Y = actid(idx);
关于数据集的详细信息，请输入描述在命令行。
回答可以分为五类:坐着、站着、走着、跑着或跳舞。通过识别被测者是否在移动(actid> 2)。
Y = Y > 2;
为二元分类创建增量逻辑回归模型。准备好预测通过指定类名和任意系数和偏置值。
p = size(X,2);Beta = randn(p,1);偏差= randn(1);Mdl =增量分类线性(“学习者”，“物流”，“β”,β,.．.“偏见”偏见,“类名”,独特的(Y));
Mdl是一个incrementalClassificationLinear模型。它的所有属性都是只读的。而不是指定任意的值，你可以采取以下任何一种操作来准备模型:
训练用于二元分类的逻辑回归模型
fitclinear在数据的子集上(如果可用)，然后通过使用将模型转换为增量学习器incrementalLearner．逐步适应
Mdl通过使用适合．
模拟一个数据流，并对每个传入的50个观测数据块执行以下操作。
调用
预测预测输入数据块中观测值的分类分数。分类分数是逻辑回归学习者的后验类概率。调用
rocmetrics使用输入的数据块计算ROC曲线下的面积(AUC)，并存储结果。调用
适合使模型适合传入的数据块。将先前的增量模型覆盖为一个适合于新观测值的新模型。
numObsPerChunk = 50;nchunk = floor(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] = predict(Mdl,X(idx，:));rocObj = rocmetrics(Y(idx)，posteriorProb, mll . classnames);auc(j) = rocObj.AUC(1);Mdl = fit(Mdl,X(idx，:)，Y(idx));结束
Mdl是一个incrementalClassificationLinear在流中的所有数据上训练的模型对象。
在输入的数据块上绘制AUC。
情节(auc) ylabel (“AUC”)包含(“迭代”）
图中显示，在增量学习过程中，分类器可以很好地预测移动的主题。
输入参数
输出参数
更多关于
扩展功能
版本历史
R2020b中介绍
您也可以从以下列表中选择一个网站: