このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。
incrementalLearner
説明
IncrementalMdl = incrementalLearner(Mdl)Mdl のハイパーパラメーターを使用して、インクリメンタル学習用の単純ベイズ分類モデル IncrementalMdl を返します。プロパティ値は Mdl から得られた知識を反映しているため、IncrementalMdl は新しい観測値に対してラベルの予測を行うことができます。また "ウォーム" となるため、予測性能が追跡されます。
IncrementalMdl = incrementalLearner(Mdl,Name,Value)IncrementalMdl に学習させる必要があります。たとえば、'MetricsWarmupPeriod',50,'MetricsWindowSize',100 は、50 個の観測値から成る、パフォーマンス メトリクスの追跡前のインクリメンタル学習の予備期間を指定し、ウィンドウ パフォーマンス メトリクスを更新する前に 100 個の観測値を処理することを指定します。
例
fitcnb を使用して単純ベイズ モデルに学習させ、それをインクリメンタル学習器に変換します。
データの読み込みと前処理
人の行動のデータ セットを読み込みます。
load humanactivityデータ セットの詳細については、コマンド ラインで Description を入力してください。
単純ベイズ モデルの学習
単純ベイズ分類モデルをデータ セット全体に当てはめます。
TTMdl = fitcnb(feat,actid);
TTMdl は従来式の学習済み単純ベイズ分類モデルを表す ClassificationNaiveBayes モデル オブジェクトです。
学習済みモデルの変換
従来式の学習済み単純ベイズ分類モデルをインクリメンタル学習に適したモデルに変換します。
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 は、単純ベイズ分類を使用するインクリメンタル学習用に準備された incrementalClassificationNaiveBayes モデル オブジェクトです。
関数
incrementalLearnerは、学習した条件付き予測子分布パラメーターを、TTMdlが学習データから抽出する他の情報と共に渡して、インクリメンタル学習器を初期化します。IncrementalMdlはウォーム (IsWarmが1) です。これは、インクリメンタル学習関数がパフォーマンス メトリクスの追跡と予測を実行できることを意味します。
応答予測
従来式の学習済みモデルから変換して作成したインクリメンタル学習器は、追加の処理なしで予測を生成できます。
両方のモデルを使用して、すべての観測値の分類スコア (クラス事後確率) を予測します。
[~,ttscores] = predict(TTMdl,feat); [~,ilcores] = predict(IncrementalMdl,feat); compareScores = norm(ttscores - ilcores)
compareScores = 0
モデルによって生成されたスコアの差は 0 です。
学習済みの単純ベイズ モデルを使用して、インクリメンタル学習器を初期化します。メトリクスのウォームアップ期間を指定して、インクリメンタル学習器を準備します。その間、関数updateMetricsAndFitはモデルの当てはめのみを行います。メトリクス ウィンドウ サイズを観測値 500 個に指定します。
人の行動のデータ セットを読み込みます。
load humanactivityデータ セットの詳細については、コマンド ラインで Description を入力してください。
データをランダムに 2 分割します。最初の半分は従来式のモデルの学習用、残りの半分はインクリメンタル学習用です。
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);
データの最初の半分に単純ベイズ モデルを当てはめます。クラス 2 を誤分類した場合に分類器に 2 倍のペナルティを与えるものとします。
C = ones(5) - eye(5);
C(2,[1 3 4 5]) = 2;
TTMdl = fitcnb(Xtt,Ytt,'Cost',C);従来式の学習済み単純ベイズ モデルをインクリメンタル学習用の単純ベイズ分類モデルに変換します。次を指定します。
メトリクスのウォームアップ期間は観測値 2000 個。
メトリクス ウィンドウ サイズは観測値 500 個。
分類誤差および最小コストを使用してモデルの性能を測定。
incrementalClassificationNaiveBayesはこのメトリクスを常に追跡するため、Metricsに"mincost"を指定する必要はありません。
IncrementalMdl = incrementalLearner(TTMdl,'MetricsWarmupPeriod',2000,'MetricsWindowSize',500,... 'Metrics','classiferror');
関数 updateMetricsAndFit を使用して、インクリメンタル モデルをデータの残りの半分に当てはめます。各反復で次を行います。
20 個の観測値を一度に処理して、データ ストリームをシミュレートします。
前のインクリメンタル モデルを、入力観測値に当てはめた新しいモデルで上書きします。
1 番目のクラス内の 2 番目の予測子の平均 、累積メトリクス、およびウィンドウ メトリクスを保存し、インクリメンタル学習中にそれらがどのように進化するかを確認。
% 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 = [IncrementalMdl.DistributionParameters{1,2}(1); 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 は、ストリーム内のすべてのデータで学習させた incrementalClassificationNaiveBayes モデル オブジェクトです。インクリメンタル学習中およびモデルがウォームアップされた後、updateMetricsAndFit は入力観測値でモデルの性能をチェックし、モデルをその観測値に当てはめます。
パフォーマンス メトリクスと が学習中にどのように進化するかを確認するには、それらを別々のタイルにプロットします。
t = tiledlayout(3,1); nexttile plot(mu12) ylabel('\mu_{12}') xlim([0 nchunk]); xline(IncrementalMdl.MetricsWarmupPeriod/numObsPerChunk,'r-.'); nexttile h = plot(ce.Variables); xlim([0 nchunk]); ylabel('Classification Error') xline(IncrementalMdl.MetricsWarmupPeriod/numObsPerChunk,'r-.'); legend(h,ce.Properties.VariableNames,'Location','northwest') nexttile h = plot(mc.Variables); xlim([0 nchunk]); ylabel('Minimal Cost') xline(IncrementalMdl.MetricsWarmupPeriod/numObsPerChunk,'r-.'); legend(h,mc.Properties.VariableNames,'Location','northwest') xlabel(t,'Iteration')
このプロットは、updateMetricsAndFit が次のアクションを実行することを示しています。
をインクリメンタル学習のすべての反復で当てはめます。
パフォーマンス メトリクスをメトリクスのウォームアップ期間 (赤色の垂直な線) 後にのみ計算します。
累積メトリクスを各反復中に計算します。
ウィンドウ メトリクスを 500 個の観測値 (25 回の反復) の処理後に計算します。
データは行動で順序付けされるため、平均とパフォーマンス メトリクスは定期的に急激に変動します。
入力引数
名前と値の引数
出力引数
詳細
アルゴリズム
バージョン履歴
R2021a で導入
