Инкрементное обучение, или онлайн-обучение, включает в себя обработку входящих данных из потока данных, возможно, без знания распределения переменных предиктора, аспектов целевой функции и того, помечены ли наблюдения. Проблемы инкрементного обучения контрастируют с традиционными методами машинного обучения, в которых достаточно помеченных данных доступно для соответствия модели, выполнения перекрестной проверки для настройки гиперпараметров и вывода характеристик распределения предиктора.
Для инкрементного обучения требуется настроенная модель инкрементного обучения. Можно создать и настроить инкрементную модель непосредственно путем вызова объекта, например incrementalClassificationLinearили можно преобразовать поддерживаемую традиционно обученную модель в инкрементного ученика с помощью incrementalLearner. После настройки модели и настройки потока данных можно подгонять инкрементную модель к входящим порциям данных, отслеживать прогнозирующую производительность модели или выполнять оба действия одновременно.
Дополнительные сведения см. в разделе Обзор инкрементного обучения.
incrementalClassificationLinear | Линейная модель двоичной классификации для инкрементного обучения |
incrementalClassificationNaiveBayes | Наивная модель классификации Байеса для инкрементного обучения |
Узнайте о фундаментальных концепциях инкрементного обучения, включая инкрементные объекты обучения, функции и рабочие процессы.
Настройка модели инкрементного обучения
Подготовка модели инкрементного обучения для инкрементной оценки эффективности и обучения по потоку данных.
Внедрение инкрементного обучения для классификации с использованием краткого рабочего процесса
Используйте сжатый рабочий процесс для реализации инкрементного обучения для двоичной классификации с преквенциальной оценкой.
Внедрение инкрементного обучения для классификации с использованием гибкого рабочего процесса
Используйте гибкий рабочий процесс для реализации инкрементного обучения для двоичной классификации с преквенциальной оценкой.
Обучите модель логистической регрессии с помощью приложения Classification Learner, а затем инициализируйте инкрементную модель для двоичной классификации с помощью оценочных коэффициентов.
Выполнение условного обучения во время инкрементного обучения
Используйте гибкий рабочий процесс для реализации условного обучения во время инкрементного обучения с помощью наивной модели многоклассной классификации Байеса.