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. Вы можете создать и сконфигурировать инкрементальную модель непосредственно при помощи incrementalRegressionLinear, 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».
incrementalRegressionLinear | Линейная регрессионая модель 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.
Используйте краткий рабочий процесс для реализации инкрементного обучения для линейной регрессии с предварительной оценкой.
Реализуйте инкрементальное обучение для линейной регрессии с помощью гибкого рабочего процесса
Используйте гибкий рабочий процесс для реализации инкрементного обучения для линейной регрессии с предварительной оценкой.
Обучите линейную регрессионую модель SVM с помощью приложения Regression Learner, а затем инициализируйте инкрементальную модель для регрессии, используя оцененные коэффициенты.
