Преобразуйте наивную модель классификации Байеса в инкрементную обучающуюся
IncrementalMdl = incrementalLearner(Mdl)IncrementalMdl, используя гиперпараметры традиционно обученной наивной классификационной модели Байеса, Mdl. Потому что значения его свойств отражают знания, полученные от Mdl, IncrementalMdl может предсказывать метки, заданные новые наблюдения, и это warm, что означает, что его прогнозирующая эффективность отслеживается.
IncrementalMdl = incrementalLearner(Mdl,Name,Value)IncrementalMdl перед отслеживанием его прогнозирующей эффективности. Для примера, 'MetricsWarmupPeriod',50,'MetricsWindowSize',100 задает предварительный инкрементный период обучения 50 наблюдений перед отслеживанием показателей эффективности и определяет обработку 100 наблюдений перед обновлением показателей эффективности.
Обучите наивную модель Байеса при помощи fitcnb, а затем преобразуйте его в пошагового ученика.
Загрузка и предварительная обработка данных
Загрузите набор данных о деятельности человека.
load humanactivityДля получения дополнительной информации о наборе данных введите Description в командной строке.
Обучите наивную модель Байеса
Подбор наивной модели классификации Байеса ко всему набору данных.
TTMdl = fitcnb(feat,actid);
TTMdl является ClassificationNaiveBayes объект модели, представляющий традиционно обученную наивную классификационную модель Байеса.
Преобразуйте обученную модель
Преобразуйте традиционно обученную наивную классификационную модель Байеса для инкрементного обучения.
IncrementalMdl = incrementalLearner(TTMdl)
IncrementalMdl =
incrementalClassificationNaiveBayes
IsWarm: 1
Metrics: [1x2 table]
ClassNames: [1 2 3 4 5]
ScoreTransform: 'none'
DistributionNames: {1x60 cell}
DistributionParameters: {5x60 cell}
Properties, Methods
IncrementalMdl является incrementalClassificationNaiveBayes объект модели, подготовленный для инкрементного обучения с использованием наивной классификации Байеса.
The incrementalLearner Функция Инициализирует пошагового ученика путем передачи ему выученных параметров условного распределения предикторов вместе с другой информацией TTMdl извлечен из обучающих данных.
IncrementalMdl тепло (IsWarm является 1), что означает, что инкрементальные функции обучения могут отслеживать метрики эффективности и делать предсказания.
Предсказание ответов
Инкрементный ученик, созданный из преобразования традиционно обученной модели, может генерировать предсказания без дальнейшей обработки.
Предсказать классификационные оценки (апостериорные вероятности класса) для всех наблюдений, используя обе модели.
[~,ttscores] = predict(TTMdl,feat); [~,ilcores] = predict(IncrementalMdl,feat); compareScores = norm(ttscores - ilcores)
compareScores = 0
Различие между счетами, сгенерированными моделями, равняется 0.
Используйте обученную наивную модель Байеса, чтобы инициализировать инкрементного ученика. Подготовьте добавочного ученика путем определения периода разогрева метрики, в течение которого updateMetricsAndFit функция подходит только для модели. Задайте размер окна метрики 500 наблюдений.
Загрузите набор данных о деятельности человека.
load humanactivityДля получения дополнительной информации о наборе данных введите Description в командной строке
Случайным образом разделите данные пополам: первая половина для настройки модели традиционно, и вторая половина для инкрементного обучения.
n = numel(actid); rng(1) % For reproducibility cvp = cvpartition(n,'Holdout',0.5); idxtt = training(cvp); idxil = test(cvp); % First half of data Xtt = feat(idxtt,:); Ytt = actid(idxtt); % Second half of data Xil = feat(idxil,:); Yil = actid(idxil);
Подгонка наивной модели Байеса к первой половине данных.
TTMdl = fitcnb(Xtt,Ytt);
Преобразуйте традиционно обученную наивную модель Байеса в наивную модель классификации Байеса для инкрементного обучения. Задайте следующее:
Период прогрева показателей эффективности 2000 наблюдений
Размер окна метрики 500 наблюдений
Использование классификационной ошибки и минимальных затрат для измерения эффективности модели
IncrementalMdl = incrementalLearner(TTMdl,'MetricsWarmupPeriod',2000,'MetricsWindowSize',500,... 'Metrics',["classiferror" "hinge"]);
Подгонка инкрементальной модели ко второй половине данных с помощью updateMetricsAndfit функция. При каждой итерации:
Симулируйте поток данных путем обработки 20 наблюдений за раз.
Перезаписать предыдущую инкрементальную модель на новую, подобранную входящему наблюдению.
Сохраните среднее значение второго предиктора в первом классе , совокупные метрики и метрики окна, чтобы увидеть, как они развиваются во время инкрементного обучения.
% Preallocation nil = numel(Yil); numObsPerChunk = 20; nchunk = ceil(nil/numObsPerChunk); ce = array2table(zeros(nchunk,2),'VariableNames',["Cumulative" "Window"]); mc = array2table(zeros(nchunk,2),'VariableNames',["Cumulative" "Window"]); mu12 = zeros(nchunk,1); % Incremental fitting for j = 1:nchunk ibegin = min(nil,numObsPerChunk*(j-1) + 1); iend = min(nil,numObsPerChunk*j); idx = ibegin:iend; IncrementalMdl = updateMetricsAndFit(IncrementalMdl,Xil(idx,:),Yil(idx)); ce{j,:} = IncrementalMdl.Metrics{"ClassificationError",:}; mc{j,:} = IncrementalMdl.Metrics{"MinimalCost",:}; mu12(j + 1) = IncrementalMdl.DistributionParameters{1,2}(1); end
IncrementalMdl является incrementalClassificationNaiveBayes объект модели обучен на всех данных в потоке. Во время инкрементного обучения и после прогрева модели updateMetricsAndFit проверяет эффективность модели при входящем наблюдении, а затем подбирает модель к этому наблюдению.
Чтобы увидеть, как метрики эффективности и развивался во время обучения, строил их на отдельных подграфиках.
figure; subplot(3,1,1) plot(mu12) ylabel('\mu_{12}') xlim([0 nchunk]); xline(IncrementalMdl.MetricsWarmupPeriod/numObsPerChunk,'r-.'); subplot(3,1,2) h = plot(ce.Variables); xlim([0 nchunk]); ylabel('Classification Error') xline(IncrementalMdl.MetricsWarmupPeriod/numObsPerChunk,'r-.'); legend(h,ce.Properties.VariableNames,'Location','northwest') subplot(3,1,3) h = plot(mc.Variables); xlim([0 nchunk]); ylabel('Minimal Cost') xline(IncrementalMdl.MetricsWarmupPeriod/numObsPerChunk,'r-.'); legend(h,mc.Properties.VariableNames,'Location','northwest') xlabel('Iteration')
График предполагает, что updateMetricsAndFit делает следующее:
Подгонка во время всех итераций инкрементного обучения.
Вычислите показатели эффективности только после периода прогрева метрики.
Вычислите совокупные метрики во время каждой итерации.
Вычислите метрики окна после обработки 500 наблюдений (25 итераций).
Поскольку данные упорядочены по действиям, среднее значение и показатели эффективности периодически резко изменяются.