Прогнозировать ответы для новых наблюдений из наивной модели классификации Байеса для инкрементного обучения
[ также возвращает задние вероятности (label,Posterior,Cost] = predict(Mdl,X)Posterior) и прогнозируемые (ожидаемые) затраты на неправильную классификацию (Cost), соответствующие наблюдениям (строкам) в X. Для каждого наблюдения в X, прогнозируемая метка класса соответствует минимальной ожидаемой стоимости классификации среди всех классов.
Загрузите набор данных о деятельности персонала.
load humanactivityДля получения подробной информации о наборе данных введите Description в командной строке.
Поместите наивную модель классификации Байеса во весь набор данных.
TTMdl = fitcnb(feat,actid)
TTMdl =
ClassificationNaiveBayes
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: [1 2 3 4 5]
ScoreTransform: 'none'
NumObservations: 24075
DistributionNames: {1×60 cell}
DistributionParameters: {5×60 cell}
Properties, Methods
TTMdl является ClassificationNaiveBayes объект модели, представляющий традиционно обученную модель.
Преобразуйте традиционно обученную модель в наивную классификационную модель Байеса для инкрементного обучения.
IncrementalMdl = incrementalLearner(TTMdl)
IncrementalMdl =
incrementalClassificationNaiveBayes
IsWarm: 1
Metrics: [1×2 table]
ClassNames: [1 2 3 4 5]
ScoreTransform: 'none'
DistributionNames: {1×60 cell}
DistributionParameters: {5×60 cell}
Properties, Methods
IncrementalMdl является incrementalClassificationNaiveBayes объект модели, подготовленный для инкрементного обучения.
incrementalLearner функция инициализирует добавочного учащегося, передавая ему полученные параметры распределения условного предиктора вместе с другой информацией TTMdl извлеченные из данных обучения.
IncrementalMdl теплый (IsWarm является 1), что означает, что инкрементные функции обучения могут начать отслеживать метрики производительности.
Добавочный ученик, созданный из преобразования традиционно обученной модели, может генерировать прогнозы без дальнейшей обработки.
Прогнозирование меток классов для всех наблюдений с использованием обеих моделей.
ttlabels = predict(TTMdl,feat); illables = predict(IncrementalMdl,feat); sameLabels = sum(ttlabels ~= illables) == 0
sameLabels = logical
1
Обе модели предсказывают одинаковые метки для каждого наблюдения.
Загрузите набор данных о деятельности персонала. Произвольно перетасовать данные.
load humanactivity n = numel(actid); rng(10); % For reproducibility idx = randsample(n,n); X = feat(idx,:); Y = actid(idx);
Для получения подробной информации о наборе данных введите Description в командной строке.
Создать наивную модель классификации Байеса для инкрементного обучения; укажите имена классов. Подготовьте его к predict подгонкой модели к первым 10 наблюдениям.
Mdl = incrementalClassificationNaiveBayes('ClassNames',unique(Y));
initobs = 10;
Mdl = fit(Mdl,X(1:initobs,:),Y(1:initobs));
canPredict = size(Mdl.DistributionParameters,1) == numel(Mdl.ClassNames)canPredict = logical
1
Mdl является incrementalClassificationNaiveBayes модель. Все его свойства доступны только для чтения. Модель сконфигурирована для генерации прогнозов.
Моделирование потока данных и выполнение следующих действий над каждым входящим блоком из 100 наблюдений.
Звонить predict вычислять апостериорные вероятности классов для каждого наблюдения во входящем фрагменте данных.
Рассмотрим пошаговое измерение того, насколько хорошо модель предсказывает, танцует ли субъект (Y равно 5). Это можно выполнить путем вычисления AUC кривой ROC, созданной путем передачи для каждого наблюдения в блоке разности между задней вероятностью класса 5 и максимальной задней вероятностью среди других классов, чтобы perfcurve.
Звонить fit для подгонки модели к входящему фрагменту. Перезаписать предыдущую инкрементную модель новой, установленной для входящего наблюдения.
numObsPerChunk = 100; nchunk = floor((n - initobs)/numObsPerChunk) - 1; Posterior = zeros(nchunk,numel(Mdl.ClassNames)); auc = zeros(nchunk,1); classauc = 5; % Incremental learning for j = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1 + initobs); iend = min(n,numObsPerChunk*j + initobs); idx = ibegin:iend; [~,Posterior(idx,:)] = predict(Mdl,X(idx,:)); diffscore = Posterior(idx,classauc) - max(Posterior(idx,setdiff(Mdl.ClassNames,classauc)),[],2); [~,~,~,auc(j)] = perfcurve(Y(idx),diffscore,Mdl.ClassNames(classauc)); Mdl = fit(Mdl,X(idx,:),Y(idx)); end
Mdl является incrementalClassificationNaiveBayes объект модели обучен всем данным в потоке.
Постройте график AUC для входящих порций данных.
plot(auc) ylabel('AUC') xlabel('Iteration')
AUC предполагает, что классификатор правильно предсказывает танцующие предметы во время инкрементного обучения.