updateMetrics
更新性能指标在线性增量学习模型给定的新数据
描述
给定的流数据,updateMetrics措施的性能配置增量学习模型为线性回归(incrementalRegressionLinear(对象)或线性二元分类incrementalClassificationLinear对象)。updateMetrics存储性能指标的输出模型。
updateMetrics允许灵活的增量学习。后调用该函数来更新模型性能指标对传入的数据,您可以执行其他操作之前火车模型的数据。例如,您可以决定你是否需要培训模型基于业绩分配一个数据块。或者,您可以更新模型性能指标和训练模型数据到达时,在一个调用中,通过使用updateMetricsAndFit函数。
测量模型的性能在一个指定的一批数据,调用损失代替。
例子
增量模型的跟踪性能
火车二进制分类使用的线性模型fitclinear,把它转换成增量学习,然后跟踪流数据的性能。
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。
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;
为二进制分类培训线性模型
二进制分类符合线性模型的随机样本数据的一半。
idxtt = randsample((真假),n, true);TTMdl = fitclinear (X (idxtt:), Y (idxtt))
TTMdl = ClassificationLinear ResponseName:“Y”类名:[0 1]ScoreTransform:“没有一个”测试:[60 x1双]偏见:-0.2999λ:8.2967 e-05学习者:“支持向量机”属性,方法
TTMdl是一个ClassificationLinear模型对象代表二进制分类的传统训练的线性模型。
转换训练模型
传统训练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:-0.2999学习者:“支持向量机”属性,方法
IncrementalMdl.IsWarm
ans =逻辑1
增量模型是温暖的。因此,updateMetrics可以跟踪模型给定的性能指标数据。
跟踪性能指标
跟踪模型性能对其余数据使用updateMetrics函数。模拟数据流处理50观测一次。在每一次迭代:
调用
updateMetrics更新和窗口分类累积误差模型的输入块的观察。覆盖前面的增量式模型更新的损失指标财产。注意,函数不符合模型的一部分数据,大部分是“新”的数据模型。存储分类错误,第一个系数 。
%预先配置idxil = ~ idxtt;nil =总和(idxil);numObsPerChunk = 50;nchunk =地板(nil / numObsPerChunk);ce = array2table (0 (nchunk, 2),“VariableNames”,(“累积”“窗口”]);beta1 = [IncrementalMdl.Beta (1);0 (nchunk 1)];自= X (idxil:);Yil = Y (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 = updateMetrics (IncrementalMdl自(idx:), Yil (idx));ce {j:} = IncrementalMdl.Metrics {“ClassificationError”,:};beta1 (j + 1) = IncrementalMdl.Beta (1);结束
IncrementalMdl是一个incrementalClassificationLinear模型对象,追踪观察的数据流模型的性能。
画一个跟踪性能指标和估计系数的情节 。
t = tiledlayout (2, 1);nexttile h =情节(ce.Variables);xlim ([0 nchunk]) ylabel (分类错误的传奇(h, ce.Properties.VariableNames) nexttile情节(beta1) ylabel (“\ beta_1”)xlim ([0 nchunk])包含(t)“迭代”)
累计损失是稳定的,而跳窗的损失。
不会改变,因为updateMetrics不符合模型的数据。
配置跟踪性能指标增量式模型
创建一个二进制增量线性支持向量机模型的分类。指定一个估计的5000年观察和SGD解算器。
Mdl = incrementalClassificationLinear (“EstimationPeriod”,5000,“规划求解”,“sgd”)
Mdl = incrementalClassificationLinear IsWarm: 0指标:[1 x2表]一会:[1 x0双]ScoreTransform:“没有一个”测试:[0 x1双]偏见:0学习者:“支持向量机”属性,方法
Mdl是一个incrementalClassificationLinear模型。所有的属性是只读的。
确定模型是温暖和度量的大小预热期通过查询模型属性。
isWarm = Mdl.IsWarm
isWarm =逻辑0
mwp = Mdl.MetricsWarmupPeriod
mwp = 1000
Mdl.IsWarm是0;因此,Mdl没有温暖。
确定数量的观察增量的拟合函数,如适合之前,必须处理测量模型的性能。
numObsBeforeMetrics = Mdl。指标WarmupPeriod + Mdl.EstimationPeriod
numObsBeforeMetrics = 6000
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。
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;
执行增量学习。在每一次迭代:
模拟数据流处理一块50的观察。
测量模型的性能指标的一部分使用
updateMetrics。覆盖输入模型。符合模型通过使用传入的一部分
适合函数。覆盖输入模型。商店 和错误分类错误率,看看他们在增量学习发展。
%预先配置numObsPerChunk = 50;nchunk =地板(n / numObsPerChunk);ce = array2table (0 (nchunk, 2),“VariableNames”,(“累积”“窗口”]);beta1 = 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 = updateMetrics (Mdl X (idx:), Y (idx));ce {j:} = Mdl.Metrics {“ClassificationError”,:};Mdl =适合(Mdl X (idx:), Y (idx));beta1 (j) = Mdl.Beta (1);结束
Mdl是一个incrementalClassificationLinear模型对象培训中的所有数据流。
在增量学习看到参数如何演变,把它们在不同的瓷砖。
t = tiledlayout (2, 1);nexttile情节(beta1) ylabel (“\ beta_1”)参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。)包含(“迭代”)轴紧nexttile情节(ce.Variables) ylabel (“ClassificationError”)参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。)参照线(numObsBeforeMetrics / numObsPerChunk,“g -”。)xlim ([0 nchunk])传说(ce.Properties.VariableNames)包含(t)“迭代”)
mdlIsWarm = numObsBeforeMetrics / numObsPerChunk
mdlIsWarm = 120
情节表明适合不符合模型的数据或更新之前的参数估计。同时,updateMetrics没有跟踪的分类误差估计和度量之前热身阶段(120块)。
执行条件的培训
逐步培养一个线性回归模型只有当性能就会降低。
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。数值稳定、规模SALEPRICE通过1 e6。
Y = NYCHousing2015.SALEPRICE / 1 e6;NYCHousing2015。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}] ';
配置一个线性回归模型的增量学习,没有一个评估或量度的加热时间。指定一个指标1000观察的窗口大小。符合配置的模式第一个100年的观察,并指定观察是面向数据的列。
Mdl = incrementalRegressionLinear (“EstimationPeriod”0,“MetricsWarmupPeriod”0,…“MetricsWindowSize”,1000);numObsPerChunk = 100;Mdl =适合(Mdl X (: 1: numObsPerChunk), Y (1: numObsPerChunk),“ObservationsIn”,“列”);
Mdl是一个incrementalRegressionLinear模型对象。
执行增量学习,条件合适,每个迭代遵循这个过程:
模拟数据流处理一块100年的观察。
更新模型的性能计算ε不敏感损失,在200年的观察窗。指定的观测是面向列的数据。
符合模型的数据块只有在最小损失的损失超过双打有经验。指定的观测是面向列的数据。
当跟踪性能和装配,覆盖前面的增量式模型。
存储和ε不敏感损失 看到培训期间损失和系数如何演变。
跟踪时
适合火车模型。
%预先配置n =元素个数(Y)——numObsPerChunk;nchunk =地板(n / numObsPerChunk);beta313 = 0 (nchunk, 1);ei = array2table (nan (nchunk, 2),“VariableNames”,(“累积”“窗口”]);训练= false (nchunk, 1);%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 = updateMetrics (Mdl X (:, idx), Y (idx),“ObservationsIn”,“列”);ei {j:} = Mdl.Metrics {“EpsilonInsensitiveLoss”,:};minei = min (ei {: 2});pdiffloss = (ei {j 2} - minei) / minei * 100;如果pdiffloss > 100 Mdl =适合(Mdl X (:, idx), Y (idx),“ObservationsIn”,“列”);训练(j) = true;结束beta313 (j) = Mdl.Beta(结束);结束
Mdl是一个incrementalRegressionLinear模型对象培训中的所有数据流。
模型的性能和 进化在训练,放到单独的瓷砖。
t = tiledlayout (2, 1);nexttile情节(beta313)在情节(找到(训练),beta313(训练),“r”。)xlim ([0 nchunk]) ylabel (“\ beta_”{313})参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。)传说(“\ beta_”{313},培训发生的,“位置”,“东南”)举行从nexttile情节(ei.Variables) xlim ([0 nchunk]) ylabel (“ε不敏感损失”)参照线(Mdl.EstimationPeriod / numObsPerChunk,r -。传奇(ei.Properties.VariableNames)包含(t)“迭代”)
跟踪的情节 显示时间的常量值,最小的损失没有双有经验。
输入参数
输出参数
提示
与传统的培训、增量学习可能没有一个单独的测试(抵抗)。因此,将每个传入的数据作为测试集,通过增量式模型和每个传入的块
updateMetrics在训练模型相同的数据使用适合。
算法
扩展功能
版本历史
介绍了R2020b
