fit

インクリメンタル学習用の ECOC 分類モデルの学習

R2022a 以降

構文

Mdl = fit(Mdl,X,Y)

Mdl = fit(Mdl,X,Y,Name=Value)

説明

関数 fit は、構成されたインクリメンタル学習用の誤り訂正出力符号 (ECOC) 分類モデル (incrementalClassificationECOC オブジェクト) をストリーミングデータに当てはめます。到達したデータを使用して追加的にパフォーマンスメトリクスを追跡するには、代わりに updateMetricsAndFit を使用します。

ECOC 分類モデルを一度にデータのバッチ全体に当てはめるか交差検証するには、fitcecoc を参照してください。

例

Mdl = fit(Mdl,X,Y) は、インクリメンタル学習モデル Mdl を返します。これは、予測子 X と応答データ Y を使用して学習させた入力インクリメンタル学習モデル Mdl を表します。具体的には、fit は入力データにモデルを当てはめ、更新されたバイナリ学習器と構成を出力モデル Mdl に格納します。

例

Mdl = fit(Mdl,X,Y,Name=Value) は、1 つ以上の名前と値の引数によって指定された追加オプションを使用します。たとえば、予測子データ行列の列が観測値に対応するように指定したり、観測値の重みを設定したりできます。

例

すべて折りたたむ

十分な事前情報なしでのモデルのインクリメンタル学習

ライブスクリプトを開く

データに含まれるクラスの想定される最大数のみがわかっている場合にインクリメンタル ECOC 学習器を当てはめます。

インクリメンタル ECOC モデルを作成します。予測される最大クラス数を 5 と指定します。

Mdl = incrementalClassificationECOC(MaxNumClasses=5)

Mdl = 
  incrementalClassificationECOC

            IsWarm: 0
           Metrics: [1x2 table]
        ClassNames: [1x0 double]
    ScoreTransform: 'none'
    BinaryLearners: {10x1 cell}
        CodingName: 'onevsone'
          Decoding: 'lossweighted'

Mdl は incrementalClassificationECOC モデルです。そのプロパティはすべて読み取り専用です。Mdl が処理できる一意のクラスは最大 5 つです。既定では、事前クラス分布 Mdl.Prior は経験的であり、ラベルが見つかると事前分布が更新されます。

Mdl は、他の演算の実行に使用する前に、データに当てはめなければなりません。

人の行動のデータセットを読み込みます。データをランダムにシャッフルします。

load humanactivity
n = numel(actid);
rng(1) % For reproducibility
idx = randsample(n,n);
X = feat(idx,:);
Y = actid(idx);

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。

関数 fit を使用してインクリメンタルモデルを学習データに当てはめます。50 個の観測値で構成されるチャンクを一度に当てはめます。各反復で次を行います。

50 個の観測値を処理して、データストリームをシミュレート。
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。
1 番目のバイナリ学習器 $β_{11}$ の 1 番目のモデル係数と被験者が移動しているかどうか (Y > 2) の事前確率を保存し、インクリメンタル学習中にそれらのパラメーターがどのように進化するかを確認。

% Preallocation
numObsPerChunk = 50;
nchunk = floor(n/numObsPerChunk);
beta11 = zeros(nchunk,1);    
priormoved = zeros(nchunk,1);

% Incremental fitting
for j = 1:nchunk
    ibegin = min(n,numObsPerChunk*(j-1) + 1);
    iend   = min(n,numObsPerChunk*j);
    idx = ibegin:iend;    
    Mdl = fit(Mdl,X(idx,:),Y(idx));
    beta11(j) = Mdl.BinaryLearners{1}.Beta(1);
    priormoved(j) = sum(Mdl.Prior(Mdl.ClassNames > 2));
end

Mdl は、ストリーム内のすべてのデータで学習させた incrementalClassificationECOC モデルオブジェクトです。

パラメーターがインクリメンタル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(2,1);
nexttile
plot(beta11)
xlim([0 nchunk])
ylabel("\beta_{11}")
nexttile
plot(priormoved)
xlim([0 nchunk])
ylabel("\pi(Subject Is Moving)")
xlabel(t,"Iteration")

$Figure contains 2 axes objects. Axes object 1 with ylabel \beta_{11} contains an object of type line. Axes object 2 with ylabel \pi(Subject Is Moving) contains an object of type line.$

係数は fit で各チャンクが処理されると更新されます。事前クラス分布は経験的であるため、 $π$ (被験者が移動) は fit で各チャンクが処理されると変化します。

すべてのクラス名を指定した状態での当てはめ

ライブスクリプトを開く

データに含まれるすべてのクラス名がわかっている場合にインクリメンタル ECOC 学習器を当てはめます。

デバイスに学習させ、被験者で測定された生体データに基づいて、被験者が座る、立つ、歩く、走る、踊るのいずれの状態であるかを予測するとします。各行動にはクラス名 1 ～ 5 をマッピングします。また、この調査では、クラスごとのデバイスの分布は一様になるものとします。

マルチクラス学習用のインクリメンタル ECOC モデルを作成します。クラス名および一様な事前クラス分布を指定します。

classnames = 1:5;
Mdl = incrementalClassificationECOC(ClassNames=classnames,Prior="uniform")

Mdl = 
  incrementalClassificationECOC

            IsWarm: 0
           Metrics: [1x2 table]
        ClassNames: [1 2 3 4 5]
    ScoreTransform: 'none'
    BinaryLearners: {10x1 cell}
        CodingName: 'onevsone'
          Decoding: 'lossweighted'

Mdl は incrementalClassificationECOC モデルオブジェクトです。そのプロパティはすべて読み取り専用です。学習中に観測されるラベルは Mdl.ClassNames のいずれかでなければなりません。

Mdl は、他の演算の実行に使用する前に、データに当てはめなければなりません。

人の行動のデータセットを読み込みます。データをランダムにシャッフルします。

load humanactivity
n = numel(actid);
rng(1) % For reproducibility
idx = randsample(n,n);
X = feat(idx,:);
Y = actid(idx);

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。

関数 fit を使用して、インクリメンタルモデルを学習データに当てはめます。50 個の観測値のチャンクを一度に処理して、データストリームをシミュレートします。各反復で次を行います。

50 個の観測値を処理。
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。
1 番目のバイナリ学習器 $β_{11}$ の 1 番目のモデル係数と被験者が移動しているかどうか (Y > 2) の事前確率を保存し、インクリメンタル学習中にそれらのパラメーターがどのように進化するかを確認。

% Preallocation
numObsPerChunk = 50;
nchunk = floor(n/numObsPerChunk);
beta11 = zeros(nchunk,1);  
priormoved = zeros(nchunk,1);

% Incremental fitting
for j = 1:nchunk
    ibegin = min(n,numObsPerChunk*(j-1) + 1);
    iend   = min(n,numObsPerChunk*j);
    idx = ibegin:iend;    
    Mdl = fit(Mdl,X(idx,:),Y(idx));
    beta11(j) = Mdl.BinaryLearners{1}.Beta(1);
    priormoved(j) = sum(Mdl.Prior(Mdl.ClassNames > 2));
end

Mdl は、ストリーム内のすべてのデータで学習させた incrementalClassificationECOC モデルオブジェクトです。

パラメーターがインクリメンタル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(2,1);
nexttile
plot(beta11)
xlim([0 nchunk])
ylabel("\beta_{11}")
nexttile
plot(priormoved)
xlim([0 nchunk])
ylabel("\pi(Subject Is Moving)")
xlabel(t,"Iteration")

$Figure contains 2 axes objects. Axes object 1 with ylabel \beta_{11} contains an object of type line. Axes object 2 with ylabel \pi(Subject Is Moving) contains an object of type line.$

予測子分布の事後平均は fit で各チャンクが処理されると更新されます。事前クラス分布は一様として指定されているため、 $π$ (被験者が移動) は 0.6 のまま fit で各チャンクが処理されても変化しません。

観測値の方向および観測値の重みの指定

ライブスクリプトを開く

fitcecoc を使用して ECOC 分類モデルに学習させ、それをインクリメンタル学習器に変換し、その性能をストリーミングデータで追跡してからモデルをデータに当てはめます。インクリメンタル学習関数用に、観測値を列に配置し、観測値の重みを指定します。

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。データをランダムにシャッフルします。

load humanactivity
rng(1); % For reproducibility
n = numel(actid);
idx = randsample(n,n);
X = feat(idx,:);
Y = actid(idx);

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。

静止している被験者 (Y <= 2) のデータが、移動している被験者のデータの倍の品質であると仮定します。静止している被験者の観測値に重み 2 を割り当て、移動している被験者の観測値に重み 1 を割り当てる重み変数を作成します。

W = ones(n,1) + (Y <=2);

ECOC 分類モデルの学習

ECOC 分類モデルをデータの半分の無作為標本に当てはめます。観測値の重みを指定します。

idxtt = randsample([true false],n,true);
TTMdl = fitcecoc(X(idxtt,:),Y(idxtt),Weights=W(idxtt))

TTMdl = 
  ClassificationECOC
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: [1 2 3 4 5]
           ScoreTransform: 'none'
           BinaryLearners: {10x1 cell}
               CodingName: 'onevsone'

TTMdl は従来式の学習済み ECOC 分類モデルを表す ClassificationECOC モデルオブジェクトです。

学習済みモデルの変換

従来式の学習済みモデルをインクリメンタル学習用のモデルに変換します。

IncrementalMdl = incrementalLearner(TTMdl)

IncrementalMdl = 
  incrementalClassificationECOC

            IsWarm: 1
           Metrics: [1x2 table]
        ClassNames: [1 2 3 4 5]
    ScoreTransform: 'none'
    BinaryLearners: {10x1 cell}
        CodingName: 'onevsone'
          Decoding: 'lossweighted'

IncrementalMdl は incrementalClassificationECOC モデルです。クラス名が IncrementalMdl.ClassNames で指定されているため、インクリメンタル学習で見つかるラベルは IncrementalMdl.ClassNames のいずれかでなければなりません。

パフォーマンスメトリクスの追跡とモデルの当てはめの個別の実行

関数 updateMetrics および fit を使用して、残りのデータに対してインクリメンタル学習を実行します。インクリメンタル学習用に、予測子データの観測値を列に配置します。各反復で次を行います。

50 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。
updateMetrics を呼び出し、観測値の入力チャンクを所与として、モデルの分類誤差の累積とウィンドウを更新します。前のインクリメンタルモデルを上書きして、Metrics プロパティ内の損失を更新します。関数がモデルをデータチャンクに当てはめないことに注意してください。チャンクはモデルに対して "新しい" データです。観測値の向きを列方向に指定し、観測値の重みを指定します。
分類誤差を保存します。
fit を呼び出して、観測値の入力チャンクにモデルを当てはめます。前のインクリメンタルモデルを上書きして、モデルパラメーターを更新します。観測値の向きを列方向に指定し、観測値の重みを指定します。

% Preallocation
idxil = ~idxtt;
nil = sum(idxil);
numObsPerChunk = 50;
nchunk = floor(nil/numObsPerChunk);
mc = array2table(zeros(nchunk,2),VariableNames=["Cumulative","Window"]);
Xil = X(idxil,:)';
Yil = Y(idxil);
Wil = W(idxil);

% Incremental fitting
for j = 1:nchunk
    ibegin = min(nil,numObsPerChunk*(j-1) + 1);
    iend   = min(nil,numObsPerChunk*j);
    idx = ibegin:iend;
    IncrementalMdl = updateMetrics(IncrementalMdl,Xil(:,idx),Yil(idx), ...
        Weights=Wil(idx),ObservationsIn="columns");
    mc{j,:} = IncrementalMdl.Metrics{"ClassificationError",:};
    IncrementalMdl = fit(IncrementalMdl,Xil(:,idx),Yil(idx), ...
        Weights=Wil(idx),ObservationsIn="columns");
end

IncrementalMdl は、ストリーム内のすべてのデータで学習させた incrementalClassificationECOC モデルオブジェクトです。

あるいは、updateMetricsAndFit を使用して、新しいデータチャンクに対するモデルのパフォーマンスメトリクスを更新し、モデルをデータに当てはめることもできます。

パフォーマンスメトリクスのトレースプロットをプロットします。

plot(mc.Variables)
xlim([0 nchunk])
legend(mc.Properties.VariableNames)
ylabel("Classification Error")
xlabel("Iteration")

Figure contains an axes object. The axes object with xlabel Iteration, ylabel Classification Error contains 2 objects of type line. These objects represent Cumulative, Window.

累積の損失は徐々に安定しますが、ウィンドウの損失には学習全体を通じて急な変動があります。

条件付き学習の実行

ライブスクリプトを開く

ECOC 分類モデルのパフォーマンスが低下した場合にのみ、そのモデルに対してインクリメンタル学習を行います。

人の行動のデータセットを読み込みます。データをランダムにシャッフルします。

load humanactivity
n = numel(actid);
rng(1) % For reproducibility
idx = randsample(n,n);
X = feat(idx,:);
Y = actid(idx);

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。

予測される最大クラス数が 5 で、メトリクスウィンドウサイズが 1000 となるように、インクリメンタル学習用の ECOC 分類モデルを構成します。モデルを最初の 1000 個の観測値に当てはめて updateMetrics 用にモデルを準備します。

Mdl = incrementalClassificationECOC(MaxNumClasses=5,MetricsWindowSize=1000);
initobs = 1000;
Mdl = fit(Mdl,X(1:initobs,:),Y(1:initobs));

Mdl は incrementalClassificationECOC モデルオブジェクトです。

モデルのプロパティを照会して、モデルがウォームであるかどうかを調べます。

isWarm = Mdl.IsWarm

isWarm = logical
   1

Mdl.IsWarm が 1 であるため、Mdl はウォームです。

条件付きの当てはめを行い、インクリメンタル学習を実行します。各反復でこの手順に従います。

100 個の観測値のチャンクを一度に処理することで、データストリームをシミュレートします。
入力データチャンクでモデルのパフォーマンスを更新します。
誤分類誤差率が 0.05 を超える場合にのみ、モデルをデータチャンクに当てはめます。
パフォーマンスと当てはめを追跡するときは、前のインクリメンタルモデルを上書きします。
誤分類誤差率と 1 番目のバイナリ学習器 $β_{11}$ の 1 番目のモデル係数を保存し、学習中にそれらがどのように進化するかを確認します。
fit がモデルに学習させるタイミングを追跡します。

% Preallocation
numObsPerChunk = 100;
nchunk = floor((n - initobs)/numObsPerChunk);
beta11 = zeros(nchunk,1);
ce = array2table(nan(nchunk,2),VariableNames=["Cumulative","Window"]);
trained = false(nchunk,1);

% Incremental fitting
for j = 1:nchunk
    ibegin = min(n,numObsPerChunk*(j-1) + 1 + initobs);
    iend = min(n,numObsPerChunk*j + initobs);
    idx = ibegin:iend;
    Mdl = updateMetrics(Mdl,X(idx,:),Y(idx));
    ce{j,:} = Mdl.Metrics{"ClassificationError",:};
    if ce{j,2} > 0.05
        Mdl = fit(Mdl,X(idx,:),Y(idx));
        trained(j) = true;
    end    
    beta11(j) = Mdl.BinaryLearners{1}.Beta(1);
end

Mdl は、ストリーム内のすべてのデータで学習させた incrementalClassificationECOC モデルオブジェクトです。

モデルのパフォーマンスと $β_{11}$ 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(2,1);
nexttile
plot(beta11)
hold on
plot(find(trained),beta11(trained),"r.")
xlim([0 nchunk])
ylabel("\beta_{11}")
legend("\beta_{11}","Training occurs",Location="best")
hold off
nexttile
plot(ce.Variables)
yline(0.05,"--")
xlim([0 nchunk])
ylabel("Misclassification Error Rate")
legend(ce.Properties.VariableNames,Location="best")
xlabel(t,"Iteration")

$Figure contains 2 axes objects. Axes object 1 with ylabel \beta_{11} contains 2 objects of type line. One or more of the lines displays its values using only markers These objects represent \beta_{11}, Training occurs. Axes object 2 with ylabel Misclassification Error Rate contains 3 objects of type line, constantline. These objects represent Cumulative, Window.$

$β_{11}$ のトレースプロットは、前の観測ウィンドウ内における損失が最大で 0.05 である定数値の期間を示します。

入力引数

すべて折りたたむ

`Mdl` — インクリメンタル学習モデル
`incrementalClassificationECOC` モデルオブジェクト

ストリーミングデータに当てはめるインクリメンタル学習モデル。incrementalClassificationECOC モデルオブジェクトとして指定します。Mdl は、incrementalClassificationECOC を直接呼び出して作成することも、サポートされている従来式の学習済み機械学習モデルを関数 incrementalLearner で変換して作成することもできます。

`X` — 予測子データのチャンク
浮動小数点行列

予測子データのチャンク。n 個の観測値と Mdl.NumPredictors 個の予測子変数で構成される浮動小数点行列として指定します。名前と値の引数 ObservationsIn の値は、変数と観測値の方向を決定します。ObservationsIn の既定値は "rows" であり、予測子データの観測値が X の行に沿うことを示しています。

観測値のラベル Y の長さと X の観測値の数は同じでなければなりません。Y(j) は X 内の観測値 j (行または列) のラベルです。

メモ

Mdl.NumPredictors = 0 の場合、fit は X から予測子の数を推測し、出力モデルの対応するプロパティを設定します。それ以外の場合、ストリーミングデータ内の予測子変数の数が Mdl.NumPredictors から変化すると、fit がエラーを生成します。
fit は、浮動小数点の入力予測子データのみをサポートしています。入力データに categorical データが含まれている場合は、エンコードバージョンの categorical データを準備する必要があります。dummyvar を使用して、各カテゴリカル変数をダミー変数で構成される数値行列に変換します。その後、すべてのダミー変数行列とその他の数値予測子を連結します。詳細については、ダミー変数を参照してください。

データ型: single | double

`Y` — ラベルのチャンク
categorical 配列 | 文字配列 | string 配列 | logical ベクトル | 浮動小数点ベクトル | 文字ベクトルの cell 配列

ラベルのチャンク。categorical 配列、文字配列、string 配列、logical ベクトル、浮動小数点ベクトル、または文字ベクトルの cell 配列として指定します。

観測値のラベル Y の長さと X の観測値の数は同じでなければなりません。Y(j) は X 内の観測値 j (行または列) のラベルです。

次の状況のいずれかまたは両方に該当する場合、fit からエラーが発行されます。

Y に新しいラベルが格納された時点で既にクラスの最大数に達していた (incrementalClassificationECOC の引数 MaxNumClasses および ClassNames を参照)。
入力モデル Mdl の ClassNames プロパティが空以外で、Y と Mdl.ClassNames のデータ型が異なる。

メモ

観測値 (予測子またはラベル) または重みが少なくとも 1 つの欠損 (NaN) 値を含む場合、fit はその観測値を無視します。したがって、fit は n 個よりも少ない観測値を使用して更新したモデルを作成します。ここで n は X 内の観測値数です。

名前と値の引数

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで Name は引数名、Value は対応する値です。名前と値の引数は他の引数の後ろにする必要がありますが、ペアの順序は関係ありません。

例: ObservationsIn="columns",Weights=W は、予測子行列の列が観測値に対応すること、およびインクリメンタル学習中に適用する観測値の重みがベクトル W に格納されていることを指定します。

`ObservationsIn` — 予測子データにおける観測値の次元
`"rows"` (既定値) | `"columns"`

予測子データにおける観測値の次元。"rows" または "columns" として指定します。

例: ObservationsIn="columns"

データ型: char | string

`Weights` — 観測値の重みのチャンク
正の値の浮動小数点ベクトル

観測値の重みのチャンク。正の値の浮動小数点ベクトルとして指定します。fit は、Weights 内の対応する値を使用して X 内の観測値に重みを付けます。Weights のサイズは X 内の観測値の数 n と同じでなければなりません。

既定では Weights は ones(n,1) です。

正規化方式を含む詳細については、観測値の重みを参照してください。

例: Weights=W は、観測値の重みをベクトル W として指定します。

データ型: double | single

出力引数

すべて折りたたむ

`Mdl` — 更新されたインクリメンタル学習用の ECOC 分類モデル
`incrementalClassificationECOC` モデルオブジェクト

更新されたインクリメンタル学習用の ECOC 分類モデル。入力モデル Mdl と同じデータ型のインクリメンタル学習モデルオブジェクト incrementalClassificationECOC として返されます。

incrementalClassificationECOC を使用して入力モデル Mdl を作成する際、想定されるすべてのクラスが名前と値の引数 ClassNames を使用して指定されていない場合、想定されるクラスで未処理のクラスが Y に含まれていると、fit は次のアクションを実行します。

Y 内の新しいラベルを Mdl.ClassNames の末尾に追加します。
Mdl.Prior を更新された経験的クラス分布の長さ c のベクトルに拡張します。ここで、c は Mdl.ClassNames 内のクラスの数です。

ヒント

従来式の学習とは異なり、インクリメンタル学習には個別のテスト (ホールドアウト) セットが存在しない場合もあります。そのため、データの各入力チャンクをテストセットとして扱うには、インクリメンタルモデルと各入力チャンクを、同じデータでモデルに学習させる前に updateMetrics に渡します。

アルゴリズム

すべて折りたたむ

観測値の重み

事前クラス確率分布が既知の場合 (つまり、事前分布が経験的分布でない場合)、fit は、観測値の重みを正規化して、それぞれのクラスの事前クラス確率の合計になるようにします。このアクションは、既定の観測値の重みがそれぞれの事前クラス確率であることを前提としています。

クラスの事前確率分布が経験的分布の場合、ソフトウェアは、fit が呼び出されるたびに、指定された観測値の重みを正規化して、合計が 1 になるようにします。

fit

構文

説明

例

十分な事前情報なしでのモデルのインクリメンタル学習

すべてのクラス名を指定した状態での当てはめ

観測値の方向および観測値の重みの指定

条件付き学習の実行

入力引数

`Mdl` — インクリメンタル学習モデル
`incrementalClassificationECOC` モデルオブジェクト

`X` — 予測子データのチャンク
浮動小数点行列

`Y` — ラベルのチャンク
categorical 配列 | 文字配列 | string 配列 | logical ベクトル | 浮動小数点ベクトル | 文字ベクトルの cell 配列

名前と値の引数

`ObservationsIn` — 予測子データにおける観測値の次元
`"rows"` (既定値) | `"columns"`

`Weights` — 観測値の重みのチャンク
正の値の浮動小数点ベクトル

出力引数

`Mdl` — 更新されたインクリメンタル学習用の ECOC 分類モデル
`incrementalClassificationECOC` モデルオブジェクト

ヒント

アルゴリズム

観測値の重み

バージョン履歴

参考

関数

オブジェクト

トピック

fit

構文

説明

例

十分な事前情報なしでのモデルのインクリメンタル学習

すべてのクラス名を指定した状態での当てはめ

観測値の方向および観測値の重みの指定

条件付き学習の実行

入力引数

Mdl — インクリメンタル学習モデル incrementalClassificationECOC モデル オブジェクト

X — 予測子データのチャンク 浮動小数点行列

Y — ラベルのチャンク categorical 配列 | 文字配列 | string 配列 | logical ベクトル | 浮動小数点ベクトル | 文字ベクトルの cell 配列

名前と値の引数

ObservationsIn — 予測子データにおける観測値の次元 "rows" (既定値) | "columns"

Weights — 観測値の重みのチャンク 正の値の浮動小数点ベクトル

出力引数

Mdl — 更新されたインクリメンタル学習用の ECOC 分類モデル incrementalClassificationECOC モデル オブジェクト

ヒント

アルゴリズム

観測値の重み

バージョン履歴

参考

関数

オブジェクト

トピック

`Mdl` — インクリメンタル学習モデル
`incrementalClassificationECOC` モデルオブジェクト

`X` — 予測子データのチャンク
浮動小数点行列

`Y` — ラベルのチャンク
categorical 配列 | 文字配列 | string 配列 | logical ベクトル | 浮動小数点ベクトル | 文字ベクトルの cell 配列

`ObservationsIn` — 予測子データにおける観測値の次元
`"rows"` (既定値) | `"columns"`

`Weights` — 観測値の重みのチャンク
正の値の浮動小数点ベクトル

`Mdl` — 更新されたインクリメンタル学習用の ECOC 分類モデル
`incrementalClassificationECOC` モデルオブジェクト