La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Apprentissage incrémental

R2026a

Ajuster un modèle de régression linéaire à des données en streaming et suivre ses performances

L’apprentissage incrémental ou apprentissage en ligne consiste à traiter des données d’entrée provenant d’un stream de données sans nécessairement avoir connaissance de la distribution des variables prédictives, des détails de la fonction objectif ni du fait que les observations sont ou non labellisées. On utilise souvent l’apprentissage incrémental dans les applications d’apprentissage sur équipement, où les modèles sont entraînés sur des dispositifs périphériques de faible puissance avec des données en streaming générées localement. Les problèmes d’apprentissage incrémental sont à distinguer des méthodes de Machine Learning traditionnelles où l’on dispose de suffisamment de données labellisées pour ajuster un modèle, effectuer une validation croisée afin de régler les hyperparamètres et déduire les caractéristiques de distribution des prédicteurs.

L’apprentissage incrémental nécessite un modèle incrémental configuré. Il est possible de créer et configurer directement la plupart des modèles incrémentaux en appelant un objet, par exemple incrementalRegressionLinear. Sinon, vous pouvez convertir un modèle supporté entraîné de manière traditionnelle en système d’apprentissage incrémental avec incrementalLearner. Après avoir configuré un modèle et un stream de données, vous pouvez ajuster le modèle incrémental aux blocs de données d’entrée, suivre ses performances prédictives ou effectuer simultanément ces deux actions.

Pour plus d’informations, consultez Incremental Learning Overview.

Statistics and Machine Learning Toolbox™ propose également des fonctions pour :

Normaliser les données en streaming de manière incrémentale en créant un modèle de normalisation avec incrementalNormalizer et en le mettant à jour avec la fonction incrémentale fit. Utilisez fit ou transform pour renvoyer les données normalisées.
Calculer les coefficients des composantes principales et les variances des données en streaming de manière incrémentale en créant un modèle d’analyse en composantes principales (ACP) avec incrementalPCA et en le mettant à jour avec la fonction incrémentale fit. Utilisez fit ou transform pour renvoyer les scores des composantes principales.
Surveiller la dérive de manière incrémentale dans les données conceptuelles, par exemple la perte de régression, en créant un détecteur de dérive avec incrementalConceptDriftDetector. Après avoir configuré un stream de données, mettez à jour le détecteur de dérive et recherchez une éventuelle dérive avec detectdrift.

Pour plus d’informations, consultez les pages de référence.

Blocs

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

Fonctions

développer tout

Normalisation

Créer un modèle de normalisation incrémental

incrementalNormalizer Instantiate incremental data normalizer (depuis R2026a)

Ajuster le modèle de manière incrémentale et normaliser les données

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

Réinitialiser le modèle de normalisation

reset Reset incremental normalizer model (depuis R2026a)

Drift-Aware Learning

Créer un modèle Drift-Aware incrémental

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

Ajuster le modèle de manière incrémentale et suivre les performances

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

Autres opérations sur les modèles

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

Modèle de régression à noyau

Créer un modèle incrémental

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

Ajuster le modèle de manière incrémentale et suivre les performances

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

Autres opérations sur les modèles

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

Modèle de régression linéaire

Créer un modèle incrémental

`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

Ajuster le modèle de manière incrémentale et suivre les performances

`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

Autres opérations sur les modèles

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

Détection de la dérive conceptuelle

Créer un détecteur de dérive conceptuelle

incrementalConceptDriftDetector Instantiate incremental concept drift detector (depuis R2022a)

Détecter la dérive et réinitialiser le modèle

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

Objets

développer tout

Modèles de normalisation incrémentaux

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

Détecteurs de dérive conceptuelle incrémentaux

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

Rubriques

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.