В этом примере показано, как сгенерировать код для классификации числовых данных в таблице с помощью дерева выбора из двух альтернатив.
В общем рабочем процессе генерации кода можно обучить классификацию или модель регрессии на данных в таблице, при условии, что вы используете только числовые переменные предикторы. Когда вы создаете функцию точки входа для предсказания, вы передаете числовую матрицу (вместо таблицы) к predict
.
Начиная в R2020a, можно передать таблицу predict
в вашей функции точки входа. Для получения дополнительной информации о табличной поддержке в генерации кода смотрите Генерацию кода для Таблиц (MATLAB Coder) и Табличные Ограничения для Генерации кода (MATLAB Coder).
Загрузите patients
набор данных. Составьте таблицу, которая содержит числовые предикторы типа single
и double
и переменная отклика Smoker
из типа logical
. Каждая строка таблицы соответствует различному пациенту.
load patients
Age = single(Age);
Weight = single(Weight);
Tbl = table(Age,Diastolic,Smoker,Systolic,Weight);
Обучите дерево классификации использование данных в Tbl
. Заметьте имена предиктора и их порядок.
Mdl = fitctree(Tbl,'Smoker');
Mdl.PredictorNames
ans = 1×4 cell
{'Age'} {'Diastolic'} {'Systolic'} {'Weight'}
Сохраните древовидный классификатор в файл с помощью saveLearnerForCoder
.
saveLearnerForCoder(Mdl,'TreeModel');
saveLearnerForCoder
сохраняет классификатор в двоичный файл MATLAB® TreeModel.mat
как массив структур в текущей папке.
Задайте функцию точки входа predictSmoker
, который берет числовые переменные предикторы в качестве входных параметров. В функции загрузите древовидный классификатор при помощи loadLearnerForCoder
, составьте таблицу от входных параметров, и затем передайте классификатор и таблицу к predict
.
type predictSmoker.mlx
function [labels,scores] = predictSmoker(age,diastolic,systolic,weight) %#codegen %PREDICTSMOKER Label new observations using a trained tree model % predictSmoker predicts whether patients are smokers (1) or nonsmokers % (0) based on their age, diastolic blood pressure, systolic blood % pressure, and weight. The function also provides classification scores % indicating the likelihood that a predicted label comes from a % particular class (smoker or nonsmoker). mdl = loadLearnerForCoder('TreeModel'); varnames = mdl.PredictorNames; tbl = table(age,diastolic,systolic,weight,'VariableNames',varnames); [labels,scores] = predict(mdl,tbl); end
Когда вы составляете таблицу в функции точки входа, необходимо задать имена переменных (например, при помощи 'VariableNames'
аргумент пары "имя-значение" table
). Если ваша таблица содержит только переменные предикторы, и предикторы находятся в том же порядке как в таблице, используемой, чтобы обучить модель, то можно найти имена переменного предиктора в mdl.PredictorNames
.
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 predictSmoker.mlx
.
Сгенерируйте код для predictSmoker
при помощи codegen
. Задайте тип данных и размерности входных параметров переменного предиктора с помощью coder.typeof
.
Первый входной параметр coder.typeof
задает тип данных предиктора.
Второй входной параметр задает верхнюю границу на количестве строк (Inf
) и столбцы (1
) в предикторе.
Третий входной параметр указывает, что количество строк в предикторе может измениться во время выполнения, но количество столбцов фиксируется.
ARGS = cell(4,1); ARGS{1} = coder.typeof(Age,[Inf 1],[1 0]); ARGS{2} = coder.typeof(Diastolic,[Inf 1],[1 0]); ARGS{3} = coder.typeof(Systolic,[Inf 1],[1 0]); ARGS{4} = coder.typeof(Weight,[Inf 1],[1 0]); codegen predictSmoker -args ARGS
codegen
генерирует MEX-функцию predictSmoker_mex
с зависимым платформой расширением в вашей текущей папке.
Проверьте тот predict
, predictSmoker
, и файл MEX возвращает те же результаты для случайной выборки 20 пациентов.
rng('default') % For reproducibility [newTbl,idx] = datasample(Tbl,20); [labels1,scores1] = predict(Mdl,newTbl); [labels2,scores2] = predictSmoker(Age(idx),Diastolic(idx),Systolic(idx),Weight(idx)); [labels3,scores3] = predictSmoker_mex(Age(idx),Diastolic(idx),Systolic(idx),Weight(idx)); verifyMEXlabels = isequal(labels1,labels2,labels3)
verifyMEXlabels = logical
1
verifyMEXscores = isequal(scores1,scores2,scores3)
verifyMEXscores = logical
1
codegen
| coder.typeof
| loadLearnerForCoder
| saveLearnerForCoder