Пошаговое обучение

Подбирайте модель классификации к потоковой передаче данных и отследите его эффективность

Пошаговое обучение или дистанционное обучение, включает обработку входящие данные от потока данных, возможно, учитывая мало ни к какому знанию распределения переменных предикторов, аспектов целевой функции, и помечены ли наблюдения. Проблемы пошагового обучения 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 путем вызова объекта, например, 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 прогнозирующую эффективность модели или выполнить оба действия одновременно.

Для получения дополнительной информации см. Обзор Пошагового обучения.

Функции

развернуть все

Линейная бинарная модель классификации

incrementalLearnerПреобразуйте бинарную модель машины опорных векторов (SVM) классификации в инкрементного ученика
incrementalLearnerПреобразуйте линейную модель для бинарной классификации инкрементному ученику

Наивная байесова модель

incrementalLearnerПреобразуйте наивную модель классификации Бейеса в инкрементного ученика

Линейная бинарная модель классификации

fitОбучите линейную модель пошаговому обучению
updateMetricsОбновите показатели производительности в линейной модели для пошагового обучения, данного новые данные
updateMetricsAndFitОбновите показатели производительности в линейной модели для пошагового обучения, данного новые данные, и обучите модель

Наивная байесова модель

fitОбучите наивную модель классификации Бейеса пошаговому обучению
updateMetricsОбновите показатели производительности в наивной модели классификации Бейеса для пошагового обучения, данного новые данные
updateMetricsAndFitОбновите показатели производительности в наивной модели классификации Бейеса для пошагового обучения, данного новые данные, и обучите модель

Линейная бинарная модель классификации

predictПредскажите ответы для новых наблюдений из линейной модели для пошагового обучения
lossПотеря линейной модели для пошагового обучения на пакете данных

Наивная байесова модель

predictПредскажите ответы для новых наблюдений из наивной модели классификации Бейеса для пошагового обучения
lossПотеря наивной модели классификации Бейеса для пошагового обучения на пакете данных
logpРегистрируйте безусловную плотность вероятности наивной модели классификации Бейеса для пошагового обучения

Объекты

incrementalClassificationLinearБинарная классификация линейная модель для пошагового обучения
incrementalClassificationNaiveBayesНаивная Байесова модель классификации для пошагового обучения

Темы

Обзор пошагового обучения

Узнайте основные концепции о пошаговом обучении, включая объекты пошагового обучения, функции и рабочие процессы.

Сконфигурируйте модель пошагового обучения

Подготовьте модель пошагового обучения к инкрементной оценке результатов деятельности и обучению на потоке данных.

Реализуйте пошаговое обучение для классификации Используя сжатый рабочий процесс

Используйте сжатый рабочий процесс, чтобы реализовать пошаговое обучение для бинарной классификации с prequential оценкой.

Реализуйте пошаговое обучение для классификации Используя гибкий рабочий процесс

Используйте гибкий рабочий процесс, чтобы реализовать пошаговое обучение для бинарной классификации с prequential оценкой.

Инициализируйте модель пошагового обучения из модели логистической регрессии, обученной в Classification Learner

Обучите модель логистической регрессии использование приложения Classification Learner, и затем инициализируйте инкрементную модель для бинарной классификации с помощью предполагаемых коэффициентов.

Выполните условное обучение во время пошагового обучения

Используйте гибкий рабочий процесс, чтобы реализовать условное обучение во время пошагового обучения с наивной моделью классификации мультиклассов Бейеса.

Для просмотра документации необходимо авторизоваться на сайте