Inkrementelles Lernen

Anpassen eines linearen Regressionsmodells an Streamingdaten und Nachverfolgen der Leistung

Inkrementelles Lernen oder Onlinelernen umfasst die Verarbeitung von Daten aus einem Datenstrom, möglicherweise mit wenig bis keinen Kenntnissen bezüglich der Verteilung der Prädiktorvariablen, Aspekten der Zielfunktion und der Frage, ob die Beobachtungen gelabelt sind. Inkrementelles Lernen wird oft für Lernanwendungen auf dem Gerät genutzt, bei denen Modelle auf Edge-Geräten mit geringem Stromverbrauch mithilfe von lokal generierten Streamingdaten trainiert werden. Probleme des inkrementellen Lernens stehen in Kontrast zu traditionellen Machine-Learning-Methoden, bei denen genug gelabelte Daten verfügbar sind, um ein Modell anzupassen, eine Kreuzvalidierung zur Abstimmung von Hyperparametern durchzuführen und die Prädiktor-Verteilungsmerkmale zu inferieren.

Für inkrementelles Lernen wird ein konfiguriertes inkrementelles Modell benötigt. Sie können die meisten inkrementellen Modelle direkt durch Aufrufen eines Objekts (beispielsweise incrementalRegressionLinear) erstellen und konfigurieren oder ein unterstütztes, traditionell trainiertes Modell mithilfe von incrementalLearner in ein inkrementelles Lernmodell konvertieren. Nach der Konfiguration eines Modells und Einrichtung eines Datenstroms können Sie das inkrementelle Modell an die eingehenden Datenblöcke anpassen, die prädiktive Leistung des Modells nachverfolgen oder beide Aktionen zugleich durchführen.

Weitere Informationen finden Sie unter Incremental Learning Overview.

Statistics and Machine Learning Toolbox™ umfasst zudem Funktionen, mit denen Sie:

Streamingdaten inkrementell normalisieren können, indem Sie mithilfe von incrementalNormalizer ein Normalisatormodell erstellen und dieses mit der inkrementellen fit-Funktion aktualisieren. Verwenden Sie fit oder transform, um die normalisierten Daten zurückzugeben.
Die Koeffizienten der Hauptkomponente und die Varianz der Streamingdaten inkrementell berechnen können, indem Sie mithilfe von incrementalPCA ein PCA-Modell (Principal Component Analysis, Hauptkomponentenanalyse) erstellen und dieses mit der inkrementellen fit-Funktion aktualisieren. Verwenden Sie fit oder transform, um die Hauptkomponenten-Scores zurückzugeben.
Konzeptdaten inkrementell auf Drift wie z. B. Regressionsverlust überwachen können, indem Sie mithilfe von incrementalConceptDriftDetector einen Drift-Detektor erstellen. Aktualisieren Sie nach Einrichten eines Datenstroms den Drift-Detektor und prüfen Sie mithilfe von detectdrift auf etwaigen Drift.

Weitere Informationen finden Sie auf den Referenzseiten.

Blöcke

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

Funktionen

alle erweitern

Normalisierung

Erstellen von inkrementellen Normalisatormodellen

incrementalNormalizer Instantiate incremental data normalizer (Seit R2026a)

Inkrementelles Anpassen und Normalisieren von Daten

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

Zurücksetzen von Normalisatormodellen

reset Reset incremental normalizer model (Seit R2026a)

Driftbewusstes Lernen

Erstellen von inkrementellen driftbewussten Modellen

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

Inkrementelles Anpassen und Nachverfolgen der Leistung

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

Andere Modelloperationen

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

Kernel-Regressionsmodell

Erstellen inkrementeller Modelle

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

Inkrementelles Anpassen und Nachverfolgen der Leistung

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

Andere Modelloperationen

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

Lineares Regressionsmodell

Erstellen inkrementeller Modelle

`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

Inkrementelles Anpassen und Nachverfolgen der Leistung

`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

Andere Modelloperationen

`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 (Seit R2022a)
`reset`	Reset incremental regression model (Seit R2022a)

Konzeptdrift-Erkennung

Erstellen von Konzeptdrift-Detektoren

incrementalConceptDriftDetector Instantiate incremental concept drift detector (Seit R2022a)

Erkennen von Drift und Zurücksetzen von Modellen

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

Objekte

alle erweitern

Inkrementelle Normalisatoren

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

Inkrementelle Konzeptdrift-Detektoren

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

Themen

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.