Apprendimento incrementale

Adattare un modello lineare per la regressione ai dati in streaming e monitorarne le prestazioni

L'apprendimento incrementale, o apprendimento online, consiste nell'elaborare i dati in ingresso provenienti da un flusso di dati, in presenza di una possibile conoscenza limitata o nulla della distribuzione delle variabili predittive, degli aspetti della funzione obiettivo e del fatto che le osservazioni siano etichettate o meno. L'apprendimento incrementale è spesso utilizzato nelle applicazioni di apprendimento su dispositivo, in cui i modelli vengono addestrati su dispositivi edge a basso consumo utilizzando dati in streaming generati localmente. I problemi di apprendimento incrementale si contrappongono ai metodi tradizionali di Machine Learning, in cui sono disponibili dati etichettati sufficienti per adattare un modello, eseguire la validazione incrociata per ottimizzare gli iperparametri e dedurre le caratteristiche della distribuzione del predittore.

L'apprendimento incrementale richiede un modello incrementale configurato. È possibile creare e configurare la maggior parte dei modelli incrementali direttamente chiamando un oggetto, ad esempio incrementalRegressionLinear, oppure è possibile convertire un modello supportato addestrato in modo tradizionale in un modello di apprendimento incrementale utilizzando incrementalLearner. Dopo aver configurato un modello e impostato un flusso di dati, è possibile adattare il modello incrementale ai blocchi di dati in ingresso, monitorare le prestazioni predittive del modello oppure eseguire entrambe le operazioni contemporaneamente.

Per ulteriori dettagli, vedere Incremental Learning Overview.

Statistics and Machine Learning Toolbox™ fornisce inoltre funzioni che consentono di:

Normalizzare i dati in streaming in modo incrementale, creando un modello di normalizzazione utilizzando incrementalNormalizer e aggiornando il modello utilizzando la funzione incrementale fit. Utilizzare fit o transform per restituire dati normalizzati.
Calcolare i coefficienti e le varianze dei componenti principali dei dati in streaming in modo incrementale, creando un modello di analisi dei componenti principali (PCA) utilizzando incrementalPCA e aggiornando il modello utilizzando la funzione incrementale fit. Utilizzare fit o transform per restituire i punteggi dei componenti principali.
Monitorare la deriva in modo incrementale nei dati concettuali, come la perdita di regressione, creando un rilevatore di deriva utilizzando incrementalConceptDriftDetector. Dopo aver configurato un flusso di dati, aggiornare il rilevatore di deriva e verificare l'eventuale presenza di deriva utilizzando detectdrift.

Per ulteriori informazioni, vedere le pagine di riferimento.

Blocchi

IncrementalRegressionLinear Predict	Predict responses using incremental linear regression model (Da R2023b)
IncrementalRegressionLinear Fit	Fit incremental linear regression model (Da R2023b)
IncrementalRegressionKernel Fit	Fit incremental kernel regression model (Da R2024b)
IncrementalRegressionKernel Predict	Predict responses using incremental kernel regression model (Da R2024b)
Detect Drift	Update drift detector states and drift status with new data (Da R2024b)
Update Metrics	Update performance metrics in incremental learning model given new data (Da R2023b)

Funzioni

espandi tutto

Normalizzazione

Creazione di un modello di normalizzazione incrementale

incrementalNormalizer Instantiate incremental data normalizer (Da R2026a)

Adattamento e normalizzazione dei dati in modo incrementale

`fit`	Fit incremental normalizer model to streaming data (Da R2026a)
`transform`	Normalize streaming data (Da R2026a)

Reimpostazione del modello di normalizzazione

reset Reset incremental normalizer model (Da R2026a)

Apprendimento sensibile alla deriva

Creazione di un modello incrementale sensibile alla deriva

incrementalDriftAwareLearner Construct drift-aware model for incremental learning (Da R2022b)

Adattamento e monitoraggio delle prestazioni in modo incrementale

`fit`	Train drift-aware learner for incremental learning with new data (Da R2022b)
`updateMetrics`	Update performance metrics in incremental drift-aware learning model given new data (Da R2022b)
`updateMetricsAndFit`	Update performance metrics in incremental drift-aware learning model given new data and train model (Da R2022b)

Altre operazioni relative ai modelli

`loss`	Regression or classification error of incremental drift-aware learner (Da R2022b)
`perObservationLoss`	Per observation regression or classification error of incremental drift-aware learner (Da R2022b)
`predict`	Predict responses for new observations from incremental drift-aware learning model (Da R2022b)
`reset`	Reset incremental drift-aware learner (Da R2022b)

Modello di regressione del kernel

Creazione di un modello incrementale

`incrementalRegressionKernel`	Kernel regression model for incremental learning (Da R2022a)
`incrementalLearner`	Convert kernel regression model to incremental learner (Da R2022a)

Adattamento e monitoraggio delle prestazioni in modo incrementale

`fit`	Train kernel model for incremental learning (Da R2022a)
`updateMetrics`	Update performance metrics in kernel incremental learning model given new data (Da R2022a)
`updateMetricsAndFit`	Update performance metrics in kernel incremental learning model given new data and train model (Da R2022a)

Altre operazioni relative ai modelli

`predict`	Predict responses for new observations from kernel incremental learning model (Da R2022a)
`loss`	Loss of kernel incremental learning model on batch of data (Da R2022a)
`perObservationLoss`	Per observation regression error of model for incremental learning (Da R2022a)
`reset`	Reset incremental regression model (Da R2022a)

Modello di regressione lineare

Creazione di un modello incrementale

`incrementalRegressionLinear`	Linear regression model for incremental learning
`incrementalLearner`	Convert support vector machine (SVM) regression model to incremental learner
`incrementalLearner`	Convert linear regression model to incremental learner

Adattamento e monitoraggio delle prestazioni in modo incrementale

`fit`	Train linear model for incremental learning
`updateMetrics`	Update performance metrics in linear incremental learning model given new data
`updateMetricsAndFit`	Update performance metrics in linear incremental learning model given new data and train model

Altre operazioni relative ai modelli

`predict`	Predict responses for new observations from linear incremental learning model
`loss`	Loss of linear incremental learning model on batch of data
`perObservationLoss`	Per observation regression error of model for incremental learning (Da R2022a)
`reset`	Reset incremental regression model (Da R2022a)

Rilevamento della deriva concettuale

Creazione del rilevatore di deriva concettuale

incrementalConceptDriftDetector Instantiate incremental concept drift detector (Da R2022a)

Rilevamento della deriva e reimpostazione del modello

`detectdrift`	Update drift detector states and drift status with new data (Da R2022a)
`reset`	Reset incremental concept drift detector (Da R2022a)

Oggetti

espandi tutto

Normalizzatori incrementali

`ZScoreNormalizer`	Simple-weighted normalizer (Da R2026a)
`ExponentiallyWeightedNormalizer`	Exponentially weighted normalizer (Da R2026a)

Rilevatori incrementali di deriva concettuale

`DriftDetectionMethod`	Incremental drift detector that utilizes Drift Detection Method (DDM) (Da R2022a)
`HoeffdingDriftDetectionMethod`	Incremental concept drift detector that utilizes Hoeffding's Bounds Drift Detection Method (HDDM) (Da R2022a)

Argomenti

Incremental Learning Overview
Discover fundamental concepts about incremental learning, including incremental learning objects, functions, and workflows.
Configure Incremental Learning Model
Prepare an incremental learning model for incremental performance evaluation and training on a data stream.
Implement Incremental Learning for Regression Using Succinct Workflow
Use the succinct workflow to implement incremental learning for linear regression with prequential evaluation.
Implement Incremental Learning for Regression Using Flexible Workflow
Use a flexible workflow to implement incremental learning for linear regression with prequential evaluation.
Initialize Incremental Learning Model from SVM Regression Model Trained in Regression Learner
Train a linear SVM regression model using the Regression Learner app, and then initialize an incremental model for regression using the estimated coefficients.