Обновите метрики эффективности в наивной модели классификации Байеса для инкрементного обучения с учетом новых данных и train
Данные потоковой передачи, updateMetricsAndFit
сначала оценивает эффективность сконфигурированной наивной классификационной модели Байеса для инкрементного обучения (incrementalClassificationNaiveBayes
объект) вызовом updateMetrics
о поступающих данных. Тогда updateMetricsAndFit
подходит для модели с этими данными путем вызова fit
. Другими словами, updateMetricsAndFit
выполняет prequential evaluation, потому что он обрабатывает каждый входящий фрагмент данных как тестовый набор и отслеживает метрики эффективности, измеренные кумулятивно и в заданном окне [1].
updateMetricsAndFit
предоставляет простой способ обновить метрики производительности модели и обучить модель на каждом фрагменту данных. Также можно выполнить операции отдельно путем вызова updateMetrics
а затем fit
, что позволяет получить большую гибкость (для примера можно решить, нужно ли обучать модель на основе ее эффективности на фрагменте данных).
возвращает наивную модель классификации Байеса для инкрементного обучения Mdl
= updateMetricsAndFit(Mdl
,X
,Y
)Mdl
, которая является входной наивной моделью классификации Байеса для инкрементного обучения Mdl
со следующими изменениями:
updateMetricsAndFit
измеряет производительность модели на входящих данных предиктора и отклика, X
и Y
соответственно. Когда модель входа warm (Mdl.IsWarm
является true
), updateMetricsAndFit
перезаписывает ранее вычисленные метрики, хранящиеся в Metrics
свойство с новыми значениями. В противном случае, updateMetricsAndFit
хранит NaN
значения в Metrics
вместо этого.
updateMetricsAndFit
подбирает измененную модель к входящим данным путем обновления условного апостериорного среднего и стандартного отклонения каждой переменной предиктора, учитывая класс, и хранит новые оценки, среди прочего строения в модели выхода Mdl
.
Входная и выходная модели имеют совпадающий тип данных.