В этом примере показано, как сгенерировать код для классификации данных с помощью модели машины опорных векторов (SVM). Обучите модель с помощью числовых и категориальных предикторов.
Поскольку генерация кода не поддерживает категориальные предикторы, используйте dummyvar преобразовывать категориальные предикторы в числовые фиктивные переменные прежде, чем соответствовать классификатору SVM. При передаче новых данных обученной модели необходимо предварительно обработать данные подобным образом.
Загрузите patients набор данных. Составьте таблицу с помощью Diastolic и Systolic числовые переменные. Каждая строка таблицы соответствует различному пациенту.
load patients
tbl = table(Diastolic,Systolic);
head(tbl)ans=8×2 table
Diastolic Systolic
_________ ________
93 124
77 109
83 125
75 117
80 122
70 121
88 130
82 115
Преобразуйте Gender переменная к categorical переменная. Порядок категорий в categoricalGender важно, потому что это определяет порядок столбцов в данных о предикторе. Используйте dummyvar преобразовывать категориальную переменную в матрицу нулей и единиц, где 1 значение в (i,j)запись th указывает что iпациент th принадлежит jкатегория th.
categoricalGender = categorical(Gender); orderGender = categories(categoricalGender)
orderGender = 2x1 cell array
{'Female'}
{'Male' }
dummyGender = dummyvar(categoricalGender);
Примечание: получившийся dummyGender матрица имеет неполный ранг. В зависимости от типа модели вы обучаетесь, этот дефицит ранга может быть проблематичным. Например, когда учебные линейные модели, удалите первый столбец фиктивных переменных.
Составьте таблицу, которая содержит фиктивную переменную dummyGender с соответствующими переменными заголовками. Объедините эту новую таблицу с tbl.
tblGender = array2table(dummyGender,'VariableNames',orderGender);
tbl = [tbl tblGender];
head(tbl)ans=8×4 table
Diastolic Systolic Female Male
_________ ________ ______ ____
93 124 0 1
77 109 0 1
83 125 1 0
75 117 1 0
80 122 1 0
70 121 1 0
88 130 1 0
82 115 0 1
Преобразуйте SelfAssessedHealthStatus переменная к categorical переменная. Отметьте порядок категорий в categoricalHealth, и преобразуйте переменную в числовую матрицу с помощью dummyvar.
categoricalHealth = categorical(SelfAssessedHealthStatus); orderHealth = categories(categoricalHealth)
orderHealth = 4x1 cell array
{'Excellent'}
{'Fair' }
{'Good' }
{'Poor' }
dummyHealth = dummyvar(categoricalHealth);
Составьте таблицу, которая содержит dummyHealth с соответствующими переменными заголовками. Объедините эту новую таблицу с tbl.
tblHealth = array2table(dummyHealth,'VariableNames',orderHealth);
tbl = [tbl tblHealth];
head(tbl)ans=8×8 table
Diastolic Systolic Female Male Excellent Fair Good Poor
_________ ________ ______ ____ _________ ____ ____ ____
93 124 0 1 1 0 0 0
77 109 0 1 0 1 0 0
83 125 1 0 0 0 1 0
75 117 1 0 0 1 0 0
80 122 1 0 0 0 1 0
70 121 1 0 0 0 1 0
88 130 1 0 0 0 1 0
82 115 0 1 0 0 1 0
Третья строка tbl, например, соответствует пациенту с этими характеристиками: диастолическое кровяное давление 83, систолическое кровяное давление 125, розетка и хорошее самооцененное состояние здоровья.
Поскольку все значения в tbl являются числовыми, можно преобразовать таблицу в матричный X.
X = table2array(tbl);
Обучите классификатор SVM с помощью X. Задайте Smoker переменная как ответ.
Y = Smoker; Mdl = fitcsvm(X,Y);
Сгенерируйте код, который загружает классификатор SVM, берет новые данные о предикторе в качестве входного параметра, и затем классифицирует новые данные.
Сохраните классификатор SVM в файл с помощью saveLearnerForCoder.
saveLearnerForCoder(Mdl,'SVMClassifier')saveLearnerForCoder сохраняет классификатор в двоичный файл MATLAB® SVMClassifier.mat как массив структур в текущей папке.
Задайте функцию точки входа mySVMPredict, который берет новые данные о предикторе в качестве входного параметра. В функции загрузите классификатор SVM при помощи loadLearnerForCoder, и затем передайте загруженный классификатор predict.
type mySVMPredict.m % Display contents of mySVMPredict.m file
function label = mySVMPredict(X) %#codegen
Mdl = loadLearnerForCoder('SVMClassifier');
label = predict(Mdl,X);
end
Примечание: Если вы нажимаете кнопку, расположенную в верхнем правом разделе этой страницы, и открываете этот пример в MATLAB, затем MATLAB открывает папку в качестве примера. Эта папка включает файл функции точки входа mySVMPredict.m.
Сгенерируйте код для mySVMPredict при помощи codegen. Задайте тип данных и размерности новых данных о предикторе при помощи coder.typeof так, чтобы сгенерированный код принял массив переменного размера.
codegen mySVMPredict -args {coder.typeof(X,[Inf 8],[1 0])}
Проверьте тот mySVMPredict и файл MEX возвращает те же результаты для обучающих данных.
label = predict(Mdl,X); mylabel = mySVMPredict(X); mylabel_mex = mySVMPredict_mex(X); verifyMEX = isequal(label,mylabel,mylabel_mex)
verifyMEX = logical
1
Чтобы предсказать метки для новых данных, необходимо сначала предварительно обработать новые данные. Если при запуске сгенерированный код в среде MATLAB, можно выполнить шаги предварительной обработки, описанные в этом разделе. Если вы развертываете сгенерированный код вне среды MATLAB, шаги предварительной обработки могут отличаться. В любом случае необходимо гарантировать, что новые данные имеют те же столбцы как обучающие данные X.
В этом примере возьмите третьих, четвертых, и пятых пациентов в patients набор данных. Предварительно обработайте данные для этих пациентов так, чтобы получившаяся числовая матрица совпадала с формой обучающих данных.
Преобразуйте категориальные переменные в фиктивные переменные. Поскольку новые наблюдения не могут включать значения от всех категорий, необходимо задать те же категории как те используемые во время обучения и поддержать тот же порядок категории. В MATLAB передайте упорядоченный массив ячеек названий категории, сопоставленных с соответствующей переменной обучающих данных (в этом примере, orderGender для гендерных значений и orderHealth для самооцененных значений состояния здоровья).
newcategoricalGender = categorical(Gender(3:5),orderGender); newdummyGender = dummyvar(newcategoricalGender); newcategoricalHealth = categorical(SelfAssessedHealthStatus(3:5),orderHealth); newdummyHealth = dummyvar(newcategoricalHealth);
Объедините все новые данные в числовую матрицу.
newX = [Diastolic(3:5) Systolic(3:5) newdummyGender newdummyHealth]
newX = 3×8
83 125 1 0 0 0 1 0
75 117 1 0 0 1 0 0
80 122 1 0 0 0 1 0
Обратите внимание на то, что newX соответствует точно третьим, четвертым, и пятым строкам матричного X.
Проверьте тот mySVMPredict и файл MEX возвращает те же результаты для новых данных.
newlabel = predict(Mdl,newX); newmylabel = mySVMPredict(newX); newmylabel_mex = mySVMPredict_mex(newX); newverifyMEX = isequal(newlabel,newmylabel,newmylabel_mex)
newverifyMEX = logical
1
ClassificationSVM | categorical | codegen | coder.Constant | coder.typeof | dummyvar | loadLearnerForCoder | saveLearnerForCoder