Инкрементальное обучение, или онлайн-обучение, включает обработку входящих данных из потока данных, возможно, практически не учитывая распределения переменных предиктора, аспектов целевой функции и того, помечены ли наблюдения. Инкрементальные задачи обучения контрастируют с традиционными методами машинного обучения, в которых доступно достаточно маркированных данных, чтобы соответствовать модели, выполнить перекрестную валидацию, чтобы настроить гиперпараметры и вывести характеристики распределения предиктора.
Для инкрементного обучения требуется сконфигурированная инкрементная модель. Можно создать и сконфигурировать инкрементальную модель непосредственно путем вызова объекта, например incrementalClassificationLinear, или можно преобразовать поддерживаемую традиционно обученную модель в инкрементную учащуюся при помощи incrementalLearner. После конфигурирования модели и настройки потока данных можно подгонять инкрементную модель к входящим фрагментам данных, отслеживать прогнозирующую эффективность модели или выполнять оба действия одновременно.
Для получения дополнительной информации см. «Обзор инкрементного обучения».
incrementalClassificationLinear | Линейная модель двоичной классификации для инкрементного обучения |
incrementalClassificationNaiveBayes | Наивная классификационная модель Байеса для инкрементного обучения |
Узнайте фундаментальные концепции инкрементного обучения, включая объекты инкрементного обучения, функции и рабочие процессы.
Сконфигурируйте модель инкрементного обучения
Подготовьте модель инкрементного обучения для инкрементальной оценки эффективности и обучения на потоке данных.
Реализуйте инкрементальное обучение для классификации с использованием краткого рабочего процесса
Используйте краткий рабочий процесс для реализации инкрементного обучения для двоичной классификации с предварительной оценкой.
Реализуйте инкрементальное обучение для классификации с помощью гибкого рабочего процесса
Используйте гибкий рабочий процесс для реализации инкрементного обучения для двоичной классификации с предварительной оценкой.
Обучите логистическую регрессионую модель с помощью приложения Classification Learner, а затем инициализируйте инкрементальную модель для двоичной классификации с помощью оцененных коэффициентов.
Выполните условное обучение во время инкрементного обучения
Используйте гибкий рабочий процесс для реализации условного обучения во время инкрементного обучения с наивной многоклассовой моделью классификации Байеса.
