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.
incrementalClassificationLinear | Бинарная классификация линейная модель для пошагового обучения |
incrementalClassificationNaiveBayes | Наивная Байесова модель классификации для 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.
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.