Предскажите ответы обобщенной линейной модели регрессии
Создайте обобщенную линейную модель регрессии и предскажите ее ответ на новые данные.
Сгенерируйте выборочные данные с помощью случайных чисел Пуассона с двумя базовыми предикторами X(:,1)
и X(:,2)
.
rng('default') % For reproducibility rndvars = randn(100,2); X = [2 + rndvars(:,1),rndvars(:,2)]; mu = exp(1 + X*[1;2]); y = poissrnd(mu);
Создайте обобщенную линейную модель регрессии данных Пуассона.
mdl = fitglm(X,y,'y ~ x1 + x2','Distribution','poisson');
Создайте точки данных для предсказания.
[Xtest1,Xtest2] = meshgrid(-1:.5:3,-2:.5:2); Xnew = [Xtest1(:),Xtest2(:)];
Предскажите ответы в точках данных.
ypred = predict(mdl,Xnew);
Постройте предсказания.
surf(Xtest1,Xtest2,reshape(ypred,9,9))
Подбирайте обобщенную линейную модель регрессии, и затем сохраните модель при помощи saveLearnerForCoder
. Задайте функцию точки входа, которая загружает модель при помощи loadLearnerForCoder
и вызывает predict
функция подобранной модели. Затем используйте codegen
(MATLAB Coder), чтобы сгенерировать код C/C++. Обратите внимание на то, что генерация кода C/C++ требует MATLAB® Coder™.
Этот пример кратко объясняет рабочий процесс генерации кода для предсказания моделей линейной регрессии в командной строке. Для получения дополнительной информации смотрите Генерацию кода для Предсказания Модели Машинного обучения в Командной строке. Можно также сгенерировать код с помощью приложения MATLAB Coder. Для получения дополнительной информации смотрите Генерацию кода для Предсказания Модели Машинного обучения Используя Приложение MATLAB Coder.
Обучите модель
Сгенерируйте выборочные данные с помощью случайных чисел Пуассона с двумя базовыми предикторами X(:,1)
и X(:,2)
.
rng('default') % For reproducibility rndvars = randn(100,2); X = [2 + rndvars(:,1),rndvars(:,2)]; mu = exp(1 + X*[1;2]); y = poissrnd(mu);
Создайте обобщенную линейную модель регрессии. Задайте распределение Пуассона для ответа.
mdl = fitglm(X,y,'y ~ x1 + x2','Distribution','poisson');
Сохраните модель
Сохраните подбиравшую обобщенную линейную модель регрессии в файл GLMMdl.mat
при помощи saveLearnerForCoder
.
saveLearnerForCoder(mdl,'GLMMdl');
Задайте функцию точки входа
В вашей текущей папке задайте функцию с именем точки входа mypredictGLM.m
это делает следующее:
Примите новый вход предиктора и допустимые аргументы пары "имя-значение".
Загрузите подбиравшую обобщенную линейную модель регрессии в GLMMdl.mat
при помощи loadLearnerForCoder
.
Возвратите границы доверительного интервала и предсказания.
function [yhat,ci] = mypredictGLM(x,varargin) %#codegen %MYPREDICTGLM Predict responses using GLM model % MYPREDICTGLM predicts responses for the n observations in the n-by-1 % vector x using the GLM model stored in the MAT-file GLMMdl.mat, % and then returns the predictions in the n-by-1 vector yhat. % MYPREDICTGLM also returns confidence interval bounds for the % predictions in the n-by-2 vector ci. CompactMdl = loadLearnerForCoder('GLMMdl'); narginchk(1,Inf); [yhat,ci] = predict(CompactMdl,x,varargin{:}); end
Добавьте %#codegen
директива компилятора (или прагма) к функции точки входа после функциональной подписи, чтобы указать, что вы намереваетесь сгенерировать код для алгоритма MATLAB. Добавление этой директивы дает Анализатору кода MATLAB команду помогать вам диагностировать и зафиксировать нарушения, которые привели бы к ошибкам во время генерации кода.
Сгенерируйте код
Сгенерируйте код для функции точки входа использование codegen
(MATLAB Coder). Поскольку C и C++ являются статически типизированными языками, необходимо определить свойства всех переменных в функции точки входа во время компиляции. Чтобы задать тип данных и точный размер входного массива, передайте выражение MATLAB®, которое представляет множество значений определенным размером типа данных и массива. Используйте coder.Constant
(MATLAB Coder) для имен аргументов пары "имя-значение".
Точки формирования данных для предсказания.
[Xtest1,Xtest2] = meshgrid(-1:.5:3,-2:.5:2); Xnew = [Xtest1(:),Xtest2(:)];
Сгенерируйте код и задайте возвращающиеся 90%-е одновременные доверительные интервалы на предсказаниях.
codegen mypredictGLM -args {Xnew,coder.Constant('Alpha'),0.1,coder.Constant('Simultaneous'),true}
codegen
генерирует MEX-функцию mypredictGLM_mex
с зависимым платформой расширением.
Если количество наблюдений неизвестно во время компиляции, можно также задать вход как переменный размер при помощи coder.typeof
(MATLAB Coder). Для получения дополнительной информации смотрите, Задают Аргументы Переменного Размера для Code Generation and Specify Properties Входных параметров функции Точки входа (MATLAB Coder).
Проверьте сгенерированный код
Сравните предсказания и доверительные интервалы с помощью predict
и mypredictGLM_mex
. Задайте аргументы пары "имя-значение" в том же порядке как в -args
аргумент в вызове codegen
.
[yhat1,ci1] = predict(mdl,Xnew,'Alpha',0.1,'Simultaneous',true); [yhat2,ci2] = mypredictGLM_mex(Xnew,'Alpha',0.1,'Simultaneous',true);
Возвращенные значения от mypredictGLM_mex
может включать различия в округлении по сравнению со значениями от predict
. В этом случае сравните значения, позволяющие маленький допуск.
find(abs(yhat1-yhat2) > 1e-6)
ans = 0x1 empty double column vector
find(abs(ci1-ci2) > 1e-6)
ans = 0x1 empty double column vector
Сравнение подтверждает, что возвращенные значения равны в допуске 1e–6
.
mdl
— Обобщенная линейная модель регрессииGeneralizedLinearModel
возразите | CompactGeneralizedLinearModel
объектОбобщенная линейная модель регрессии в виде GeneralizedLinearModel
объект создал использование fitglm
или stepwiseglm
, или CompactGeneralizedLinearModel
объект, созданный с помощью compact
.
Xnew
— Новые входные значения предиктораНовые входные значения предиктора в виде таблицы, массива набора данных или матрицы. Каждая строка Xnew
соответствует одному наблюдению, и каждый столбец соответствует одной переменной.
Если Xnew
таблица или массив набора данных, это должно содержать предикторы, которые имеют те же имена предиктора как в PredictorNames
свойство mdl
.
Если Xnew
матрица, она должна иметь то же количество переменных (столбцы) в том же порядке, как вход предиктора раньше создавал mdl
. Обратите внимание на то, что Xnew
должен также содержать любые переменные предикторы, которые не используются в качестве предикторов в подобранной модели. Кроме того, все переменные используются в создании mdl
mustBeNumeric. Чтобы обработать числовые предикторы как категориальные, идентифицируйте предикторы с помощью 'CategoricalVars'
аргумент пары "имя-значение", когда вы создаете mdl
.
Типы данных: single
| double
| table
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
[ypred,yci] = predict(Mdl,Xnew,'Alpha',0.01,'Simultaneous',true)
возвращает доверительный интервал yci
с 99%-м доверительным уровнем, вычисленным одновременно для всех значений предиктора.'Alpha'
— Уровень значенияУровень значения для доверительного интервала в виде разделенной запятой пары, состоящей из 'Alpha'
и числовое значение в области значений [0,1]. Доверительный уровень yci
равно 100 (1 – Alpha
) %. Alpha
вероятность, что доверительный интервал не содержит истинное значение.
Пример: 'Alpha',0.01
Типы данных: single
| double
'BinomialSize'
— Количество испытаний за биномиальное распределениеКоличество испытаний за биномиальное распределение в виде разделенной запятой пары, состоящей из 'BinomialSize'
и скаляр или вектор из той же длины как ответ. predict
расширяет скалярный вход в постоянный массив одного размера с ответом. Скалярный вход означает, что все наблюдения имеют то же количество испытаний.
Значение выходных значений в ypred
зависит от значения 'BinomialSize'
.
Если 'BinomialSize'
1 (значение по умолчанию), затем каждое значение в выходе ypred
вероятность успеха.
Если 'BinomialSize'
не 1, затем каждое значение в выходе ypred
предсказанное количество успехов в испытаниях.
Типы данных: single
| double
'Offset'
— Возместите значениеzeros(size(Xnew,1))
(значение по умолчанию) | скаляр | векторВозместите значение для каждой строки в Xnew
В виде разделенной запятой пары, состоящей из 'Offset'
и скаляр или вектор с той же длиной как ответ. predict
расширяет скалярный вход в постоянный массив одного размера с ответом.
Обратите внимание на то, что значением по умолчанию этого аргумента является нулевой вектор, даже если вы задаете 'Offset'
аргумент пары "имя-значение" при подбирании модели. Если вы задаете 'Offset'
для подбора кривой программное обеспечение обрабатывает смещение как дополнительный предиктор с содействующим значением, зафиксированным в 1. Другими словами, формула для подбора кривой
f (μ) = Offset + X*b
,
где f является функцией ссылки, μ является средним ответом, и X *b является линейной комбинацией предикторов X. Offset
предиктор имеет коэффициент 1
.
Типы данных: single
| double
'Simultaneous'
— Отметьте, чтобы вычислить одновременные доверительные границыfalse
(значение по умолчанию) | true
Отметьте, чтобы вычислить одновременные доверительные границы в виде разделенной запятой пары, состоящей из 'Simultaneous'
и любой TRUE или FALSE.
true
— predict
вычисляет доверительные границы для кривой значений отклика, соответствующих всем значениям предиктора в Xnew
, использование метода Шеффа. Область значений между верхними и нижними границами содержит кривую, состоящую из истинных значений отклика с 100 (1 – α) доверие %.
false
— predict
вычисляет доверительные границы для значения отклика при каждом наблюдении в Xnew
. Доверительный интервал для значения отклика в определенном значении предиктора содержит истинное значение отклика с 100 (1 – α) доверие %.
Одновременные границы более широки, чем отдельные границы, потому что требование, чтобы целая кривая значений отклика была в границах, более строго, чем требование, чтобы значение отклика в одном значении предиктора было в границах.
Пример: 'Simultaneous',true
ypred
— Предсказанные значения откликаПредсказанные значения отклика в Xnew
, возвращенный как числовой вектор.
Для биномиальной модели, значения выходных значений в ypred
зависит от значения 'BinomialSize'
аргумент пары "имя-значение".
Если 'BinomialSize'
1 (значение по умолчанию), затем каждое значение в выходе ypred
вероятность успеха.
Если 'BinomialSize'
не 1, затем каждое значение в выходе ypred
предсказанное количество успехов в испытаниях.
Для модели со смещением задайте значение смещения при помощи 'Offset'
аргумент пары "имя-значение". В противном случае, predict
использование 0
как значение смещения.
yci
— Доверительные интервалы для ответовДоверительные интервалы для ответов, возвращенных как матрица 2D столбца с каждой строкой, обеспечивающей один интервал. Значение доверительного интервала зависит от настроек аргументов пары "имя-значение" 'Alpha'
и 'Simultaneous'
.
feval
возвращает те же предсказания как predict
. feval
функция не поддерживает 'Offset'
и 'BinomialSize'
аргументы в виде пар имя-значение. feval
использование 0 как значение смещения и выходные значения в ypred
предсказанные вероятности. feval
функция может взять несколько входных параметров для новых входных значений предиктора с одним входом для каждого переменного предиктора, который более прост использовать с моделью, созданной из массива набора данных или таблицы. Обратите внимание на то, что feval
функция не дает доверительные интервалы на своих предсказаниях.
random
возвращает предсказания с добавленным шумом.
Указания и ограничения по применению:
Использование saveLearnerForCoder
, loadLearnerForCoder
, и codegen
(MATLAB Coder), чтобы сгенерировать код для predict
функция. Сохраните обученную модель при помощи saveLearnerForCoder
. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder
и вызывает predict
функция. Затем используйте codegen
сгенерировать код для функции точки входа.
Эта таблица содержит примечания об аргументах predict
. Аргументы, не включенные в эту таблицу, полностью поддерживаются.
Аргумент | Примечания и ограничения |
---|---|
mdl | Для указаний и ограничений по применению объекта модели смотрите
Генерацию кода |
Xnew |
|
Аргументы в виде пар имя-значение |
Имена в аргументах пары "имя-значение" должны быть константами времени компиляции. Например, чтобы позволить пользовательский уровень значения в сгенерированном коде, включайте |
Для получения дополнительной информации смотрите Введение в Генерацию кода.
Эта функция полностью поддерживает массивы графического процессора. Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).
Эта функция поддерживает объекты модели, снабженные входными параметрами графического процессора массивов.
CompactGeneralizedLinearModel
| feval
| fitglm
| GeneralizedLinearModel
| random
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.