Пошаговое обучение или дистанционное обучение, касается обработки входящих данных от потока данных, возможно, учитывая мало ни к какому знанию распределения переменных предикторов, аспектов целевой функции, или даже помечены ли наблюдения. Проблемы контрастируют с традиционными методами машинного обучения, в которых достаточно маркированных данных доступно, чтобы соответствовать к модели, выполнить перекрестную проверку, чтобы настроить гиперпараметры и вывести характеристики распределения предиктора.
Пошаговое обучение требует сконфигурированной инкрементной модели. Можно создать и сконфигурировать инкрементную модель непосредственно при помощи incrementalClassificationLinear, или можно преобразовать поддерживаемую традиционно обученную модель в инкрементного ученика при помощи incrementalLearner. После конфигурирования модели и подготовки поток данных, можно подбирать инкрементную модель к входящим фрагментам данных, отследить его прогнозирующую эффективность или выполнить оба действия одновременно.
Для получения дополнительной информации см. Обзор Пошагового обучения
incrementalClassificationLinear | Бинарная классификация линейная модель для пошагового обучения |
Incremental learning или online learning, является ветвью машинного обучения, касавшегося обработки входящих данных от потока данных — постоянно и в режиме реального времени — возможно, учитывая мало ни к какому знанию распределения переменных предикторов, объема выборки, аспектов предсказания или целевой функции (включая соответствующие настраивающие значения параметров), или пометили ли наблюдения.
Сконфигурируйте модель пошагового обучения
Подготовьте модель пошагового обучения к инкрементной оценке результатов деятельности и обучению на потоке данных.
Реализуйте пошаговое обучение Используя сжатый рабочий процесс
В этом примере показано, как использовать сжатый рабочий процесс, чтобы реализовать пошаговое обучение для бинарной классификации с prequential оценкой.
Реализуйте пошаговое обучение Используя гибкий рабочий процесс
В этом примере показано, как использовать гибкий рабочий процесс, чтобы реализовать пошаговое обучение для бинарной классификации с prequential оценкой.
Обучите модель логистической регрессии использование Classification Learner, затем инициализируйте инкрементную модель для бинарной классификации с помощью предполагаемых коэффициентов.