Генерация кода и приложение Classification Learner

Этот пример использует:

Classification Learner хорошо подходит для выбора и учебных моделей классификации в интерактивном режиме, но это не генерирует код C/C++, который помечает данные на основе обученной модели. Кнопка Generate Function в разделе Export приложения Classification Learner генерирует код MATLAB для обучения модель, но не генерирует код C/C++. В этом примере показано, как сгенерировать код С от функции, которая предсказывает метки с помощью экспортируемой модели классификации. Пример создает модель, которая предсказывает кредитный рейтинг бизнеса, данного различные финансовые отношения, согласно этим шагам:

Используйте набор данных кредитного рейтинга в файле CreditRating_Historical.dat, который включен с Statistics and Machine Learning Toolbox™.
Уменьшайте размерность данных с помощью анализа главных компонентов (PCA).
Обучите набор моделей, которые поддерживают генерацию кода для предсказания метки.
Экспортируйте модель с минимальной 5-кратной, перекрестной подтвержденной точностью классификации.
Сгенерируйте код С от функции точки входа, которая преобразовывает новые данные о предикторе и затем предсказывает соответствующие метки с помощью экспортируемой модели.

Загрузка демонстрационных данных

Загрузите выборочные данные и импортируйте данные в приложение Classification Learner. Рассмотрите данные с помощью графиков рассеивания и удалите ненужные предикторы.

Использование readtable загружать исторический набор данных кредитного рейтинга в файле CreditRating_Historical.dat в таблицу.

creditrating = readtable('CreditRating_Historical.dat');

На вкладке Apps нажмите Classification Learner.

В Classification Learner, на вкладке Classification Learner, в разделе File, нажимают New Session и выбирают From Workspace.

В диалоговом окне New Session выберите таблицу creditrating. Все переменные, кроме той, идентифицированной как ответ, являются двойной точностью числовые векторы. Нажмите Start Session, чтобы сравнить модели классификации на основе 5-кратной, перекрестной подтвержденной точности классификации.

Classification Learner загружает данные и строит график рассеивания переменных WC_TA по сравнению с ID. Поскольку идентификационные номера не полезны, чтобы отобразиться в графике, выбрать RE_TA для X под Predictors.

Scatterplot for credit rating data

График рассеивания предполагает, что эти две переменные могут разделить классы AAA, BBB, BB, и CCC довольно хорошо. Однако наблюдения, соответствующие остающимся классам, смешаны в эти классы.

Идентификационные номера не полезны для предсказания. Поэтому в разделе Features, нажмите Feature Selection и затем снимите флажок ID. Можно также удалить ненужные предикторы с начала при помощи флажков в диалоговом окне New Session. В этом примере показано, как удалить неиспользованные предикторы для генерации кода, когда вы включали все предикторы.

Включите PCA

Позвольте PCA уменьшать размерность данных.

В разделе Features нажмите PCA, и затем выберите Enable PCA. Это действие применяет PCA к данным о предикторе, и затем преобразовывает данные перед обучением модели. Classification Learner использует только компоненты, которые коллективно объясняют 95% изменчивости.

Обучите модели

Обучите набор моделей, которые поддерживают генерацию кода для предсказания метки.

Выберите следующие модели классификации и опции, которые поддерживают генерацию кода для предсказания метки, и затем выполняют перекрестную проверку (для получения дополнительной информации, смотрите Введение в Генерацию кода). Чтобы выбрать каждую модель, в разделе Model Type, кликают по стреле Show more, и затем кликают по модели. После выбора модели и определения любых опций, закройте любые открытые меню, и затем нажмите Train в разделе Training.

Модели и опции, чтобы выбрать	Описание
Под Decision Trees выберите All Trees	Деревья классификации различных сложностей
Под Support Vector Machines выберите All SVMs	SVMs различных сложностей и использования различных ядер. Комплексные SVMs требуют, чтобы время соответствовало.
Под Ensemble Classifiers выберите Boosted Trees. В разделе Model Type нажмите Advanced. Уменьшайте Maximum number of splits до 5 и увеличьте Number of learners до 100.	Повышенный ансамбль деревьев классификации
Под Ensemble Classifiers выберите Bagged Trees. В разделе Model Type нажмите Advanced. Увеличьте Maximum number of splits до 50 и увеличьте Number of learners до 100.	Случайный лес деревьев классификации

После перекрестной проверки каждого типа модели Браузер Данных отображает каждую модель и ее 5-кратную, перекрестную подтвержденную точность классификации, и подсвечивает модель с лучшей точностью.

History panel displaying the trained models and their accuracy. The Fine Gaussian SVM model has the highest accuracy.

Выберите модель, которая дает к максимальной 5-кратной, перекрестной подтвержденной точности классификации, которая является моделью выходных кодов с коррекцией ошибок (ECOC) Прекрасных Гауссовых учеников SVM. С включенным PCA Classification Learner использует два предиктора из шесть.

В разделе Plots нажмите Confusion Matrix.

Confusion matrix for the Fine Gaussian SVM model

Модель преуспевает, различая AB, и C классы. Однако модель не делает также различения конкретных уровней в тех группах, ниже B уровни в частности.

Модель экспорта к рабочей области

Экспортируйте модель в MATLAB^® Workspace и сохраните использование модели saveLearnerForCoder.

В разделе Export нажмите Export Model, и затем выберите Export Compact Model. Нажмите OK в диалоговом окне.

Структура trainedModel появляется в рабочем пространстве MATLAB. Поле ClassificationSVM из trainedModel содержит компактную модель.

В командной строке сохраните компактную модель в файл под названием ClassificationLearnerModel.mat в вашей текущей папке.

saveLearnerForCoder(trainedModel.ClassificationSVM,'ClassificationLearnerModel')

Сгенерируйте код С для предсказания

Предсказание с помощью объектных функций требует обученного объекта модели, но -args опция codegen (MATLAB Coder) не принимает такие объекты. Работа вокруг этого ограничения при помощи saveLearnerForCoder и loadLearnerForCoder. Сохраните обученную модель при помощи saveLearnerForCoder. Затем задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder и вызывает predict функция. Наконец, использовать codegen сгенерировать код для функции точки входа.

Предварительная Обработка Данных

Предварительно обработайте новые данные таким же образом, вы предварительно обрабатываете обучающие данные.

Чтобы предварительно обработать, вам нужны следующие три параметра модели:

removeVars — Вектор-столбец в большей части p элементы, идентифицирующие индексы переменных, чтобы удалить из данных, где p количество переменных предикторов в необработанных данных
pcaCenters — Вектор-строка из точно q Центры PCA
pcaCoefficients Q- r матрица коэффициентов PCA, где r в большей части q

Задайте индексы переменных предикторов, которые вы удалили при выборе данных с помощью Feature Selection в Classification Learner. Извлеките статистику PCA из trainedModel.

removeVars = 1;
pcaCenters = trainedModel.PCACenters;
pcaCoefficients = trainedModel.PCACoefficients;

Сохраните параметры модели в файл с именем ModelParameters.mat в вашей текущей папке.

save('ModelParameters.mat','removeVars','pcaCenters','pcaCoefficients');

Задайте функцию точки входа

Функция точки входа является функцией, которую вы задаете для генерации кода. Поскольку вы не можете вызвать функцию при использовании верхнего уровня codegen, необходимо задать функцию точки входа, которая вызывает включенные генерацией кода функции, и затем сгенерируйте код C/C++ для функции точки входа при помощи codegen.

В вашей текущей папке задайте функцию с именем mypredictCL.m это:

Принимает числовую матрицу (X) из необработанных наблюдений, содержащих те же переменные предикторы, когда, те передали в Classification Learner
Загружает модель классификации в ClassificationLearnerModel.mat и параметры модели в ModelParameters.mat
Удаляет переменные предикторы, соответствующие индексам в removeVars
Преобразовывает остающиеся данные о предикторе с помощью центров PCA (pcaCenters) и коэффициенты (pcaCoefficients) оцененный Classification Learner
Возвращает предсказанные метки с помощью модели

function label = mypredictCL(X) %#codegen
%MYPREDICTCL Classify credit rating using model exported from
%Classification Learner
%   MYPREDICTCL loads trained classification model (SVM) and model
%   parameters (removeVars, pcaCenters, and pcaCoefficients), removes the
%   columns of the raw matrix of predictor data in X corresponding to the
%   indices in removeVars, transforms the resulting matrix using the PCA
%   centers in pcaCenters and PCA coefficients in pcaCoefficients, and then
%   uses the transformed data to classify credit ratings. X is a numeric
%   matrix with n rows and 7 columns. label is an n-by-1 cell array of
%   predicted labels.

% Load trained classification model and model parameters
SVM = loadLearnerForCoder('ClassificationLearnerModel');
data = coder.load('ModelParameters');
removeVars = data.removeVars;
pcaCenters = data.pcaCenters;
pcaCoefficients = data.pcaCoefficients;

% Remove unused predictor variables
keepvars = 1:size(X,2);
idx = ~ismember(keepvars,removeVars);
keepvars = keepvars(idx);
XwoID = X(:,keepvars);

% Transform predictors via PCA
Xpca = bsxfun(@minus,XwoID,pcaCenters)*pcaCoefficients;

% Generate label from SVM
label = predict(SVM,Xpca);
end

Сгенерируйте код

Поскольку C и C++ являются статически типизированными языками, необходимо определить свойства всех переменных в функции точки входа во время компиляции. Задайте использование аргументов переменного размера coder.typeof (MATLAB Coder) и генерирует код с помощью аргументов.

Создайте матрицу с двойной точностью под названием x для использования генерации кода coder.typeof (MATLAB Coder). Укажите что количество строк x произвольно, но тот x должен иметь p столбцы.

p = size(creditrating,2) - 1;
x = coder.typeof(0,[Inf,p],[1 0]);

Для получения дополнительной информации об определении аргументов переменного размера, смотрите, Задают Аргументы Переменного Размера для Генерации кода.

Сгенерируйте MEX-функцию от mypredictCL.m. Используйте -args опция, чтобы задать x в качестве аргумента.

codegen mypredictCL -args x

codegen генерирует файл MEX mypredictCL_mex.mexw64 в вашей текущей папке. Расширение файла зависит от вашей платформы.

Проверьте сгенерированный код

Проверьте, что MEX-функция возвращает ожидаемые метки.

Удалите переменную отклика из исходного набора данных, и затем случайным образом чертите 15 наблюдений.

rng('default'); % For reproducibility
m = 15;
testsampleT = datasample(creditrating(:,1:(end - 1)),m);

Предскажите соответствующие метки при помощи predictFcn в модели классификации, обученной Classification Learner.

testLabels = trainedModel.predictFcn(testsampleT);

Преобразуйте получившуюся таблицу в матрицу.

testsample = table2array(testsampleT);

Столбцы testsample соответствуйте столбцам данных о предикторе, загруженных Classification Learner.

Передайте тестовые данные mypredictCL. Функциональный mypredictCL предсказывает соответствующие метки при помощи predict и модель классификации, обученная Classification Learner.

testLabelsPredict = mypredictCL(testsample);

Предскажите соответствующие метки при помощи сгенерированной MEX-функции mypredictCL_mex.

testLabelsMEX = mypredictCL_mex(testsample);

Сравните наборы предсказаний.

isequal(testLabels,testLabelsMEX,testLabelsPredict)

ans =

  logical

   1

isequal возвращает логическую единицу, (TRUE), если все входные параметры равны. predictFcn, mypredictCL, и MEX-функция возвращает те же значения.

Смотрите также

learnerCoderConfigurer | loadLearnerForCoder | saveLearnerForCoder | codegen (MATLAB Coder) | coder.typeof (MATLAB Coder)

Документация