Предсказать ответы на новые наблюдения из наивной модели классификации Байеса для инкрементного обучения
[ также возвращает апостериорные вероятности (label,Posterior,Cost] = predict(Mdl,X)Posterior) и прогнозируемые (ожидаемые) затраты на неправильную классификацию (Cost), соответствующий наблюдениям (строкам) в X. Для каждого наблюдения в X, предсказанная метка класса соответствует минимальным ожидаемым затратам классификации среди всех классов.
Загрузите набор данных о деятельности человека.
load humanactivityДля получения дополнительной информации о наборе данных введите Description в командной строке.
Подбор наивной модели классификации Байеса ко всему набору 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.
The incrementalLearner функция инициализирует инкрементального обучающегося путем передачи ему выученных параметров условного распределения предиктора вместе с другой информацией TTMdl узнал из обучающих данных.
IncrementalMdl тепло (IsWarm является 1), что означает, что инкрементальные функции обучения могут начать отслеживать метрики эффективности.
Инкрементный ученик, созданный из преобразования традиционно обученной модели, может генерировать предсказания без дальнейшей обработки.
Спрогнозируйте метки классов для всех наблюдений, используя обе модели.
ttlabels = predict(TTMdl,feat); illables = predict(IncrementalMdl,feat); sameLabels = sum(ttlabels ~= illables) == 0
sameLabels = logical
1
Обе модели предсказывают одни и те же метки для каждого наблюдения.
Загрузите набор данных о деятельности человека. Случайным образом перетасуйте данные.
load humanactivity n = numel(actid); rng(10); % For reproducibility idx = randsample(n,n); X = feat(idx,:); Y = actid(idx);
Для получения дополнительной информации о наборе данных введите Description в командной строке.
Создайте наивную модель классификации Байеса для инкрементного обучения; задайте имена классов. Подготовьте его к predict путем подгонки 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, чтобы генерировать предсказания.
Симулируйте поток данных и выполните следующие действия на каждом входящем фрагменте из 100 наблюдений.
Функции predict вычислить апостериорные вероятности классов для каждого наблюдения во входящем фрагменты данных.
Рассмотрите пошаговое измерение того, насколько хорошо модель предсказывает, танцует ли субъект (Y равно 5). Можно выполнить это путем вычисления AUC кривой ROC, созданной передачей, для каждого наблюдения в фрагменте, различии между апостериорной вероятностью класса 5 и максимальной апостериорной вероятностью среди других классов perfcurve.
Функции fit для подгонки модели к входящему фрагменту. Перезаписать предыдущую инкрементальную модель на новую, подобранную входящему наблюдению.
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 на всех данных в потоке.
Постройте график AUC на входящих фрагментах данных.
plot(auc) ylabel('AUC') xlabel('Iteration')
AUC предполагает, что классификатор правильно предсказывает танцевальные предметы хорошо во время инкрементного обучения.