增量学习,或在线学习,涉及处理来自数据流的传入数据,可能对预测变量的分布、目标函数的各个方面以及观察结果是否被标记的知识很少或没有。增量学习问题与传统机器学习方法不同,传统机器学习方法有足够的标记数据来拟合模型,进行交叉验证以调整超参数,并推断预测器分布特征。
增量学习需要配置的增量模型。例如,您可以通过调用对象直接创建和配置增量模型incrementalClassificationLinear
,或者您可以使用以下方法将受支持的传统训练模型金宝app转换为增量学习者incrementalLearner
.在配置模型和设置数据流之后,您可以将增量模型适应传入的数据块,跟踪模型的预测性能,或者同时执行这两种操作。
有关详细信息,请参见增量学习概述.
incrementalClassificationLinear |
用于增量学习的二元分类线性模型 |
incrementalClassificationNaiveBayes |
用于增量学习的朴素贝叶斯分类模型 |
了解关于增量学习的基本概念,包括增量学习对象、增量学习功能和增量学习流程。
为数据流上的增量绩效评估和培训准备一个增量学习模型。
采用简洁的工作流程实现了二元分类的增量学习。
利用灵活的工作流程,实现了对具有前置评价的二元分类的增量学习。
从分类学习者训练的Logistic回归模型中初始化增量学习模型
使用分类学习者应用程序训练逻辑回归模型,然后使用估计系数初始化二元分类的增量模型。
利用灵活的工作流实现了基于朴素贝叶斯多类分类模型的增量学习过程中的条件训练。
这个例子展示了如何增量地训练一个模型来基于文档中的单词频率对文档进行分类;一个bag-of-words模型。
这个例子展示了如何使用朴素贝叶斯分类器为增量学习准备包含实值和分类度量的异构预测数据。