Симулируйте ответы со случайным шумом для обобщенной линейной модели регрессии
задает дополнительные опции с помощью одного или нескольких аргументов пары "имя-значение". Например, можно задать количество испытаний за биномиальное распределение или значение смещения, используемое для подбора кривой.ysim
= random(mdl
,Xnew
,Name,Value
)
Создайте обобщенную линейную модель регрессии и симулируйте ее ответ со случайным шумом к новым данным.
Сгенерируйте выборочные данные с помощью случайных чисел Пуассона с одним базовым предиктором X
.
rng('default') % For reproducibility X = rand(20,1); mu = exp(1 + 2*X); y = poissrnd(mu);
Создайте обобщенную линейную модель регрессии данных Пуассона.
mdl = fitglm(X,y,'y ~ x1','Distribution','poisson');
Создайте точки данных для предсказания.
Xnew = (0:.05:1)';
Симулируйте ответы со случайным шумом в точках данных.
ysim = random(mdl,Xnew);
Постройте симулированные значения и исходные значения.
plot(X,y,'rx',Xnew,ysim,'bo',Xnew,feval(mdl,Xnew),'g-') legend('Data','Simulated Response with Noise','Predicted Response', ... 'Location','best')
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 предиктора x
и ответ y
со следующими распределениями:
.
и .
.
rng('default') % For reproducibility x = 1 + randn(100,1)*0.5; beta = -2; p = exp(1 + x*beta)./(1 + exp(1 + x*beta)); % Inverse logit n = 10; y = binornd(n,p,100,1);
Создайте обобщенную линейную модель регрессии биномиальных данных. Задайте биномиальный объем выборки 10.
mdl = fitglm(x,y,'y ~ x1','Distribution','Binomial','BinomialSize',n);
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 myrandomGLM.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
.
Симулируйте ответы из загруженной модели GLM.
function y = myrandomGLM(x,varargin) %#codegen %MYRANDOMGLM Simulate responses using GLM model % MYRANDOMGLM simulates 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 simulations in the n-by-1 vector y. CompactMdl = loadLearnerForCoder('GLMMdl'); narginchk(1,Inf); y = random(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".
Задайте данные о предикторе x
и биномиальный параметр n
.
codegen -config:mex myrandomGLM -args {x,coder.Constant('BinomialSize'),coder.Constant(n)}
codegen
генерирует MEX-функцию myrandomGLM_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
Симулируйте ответы с помощью MEX-функции. Задайте данные о предикторе x
и биномиальный параметр n
.
ysim = myrandomGLM_mex(x,'BinomialSize',n);
Постройте симулированные значения и данные на том же рисунке.
figure plot(x,y,'bo',x,ysim,'r*') legend('Observed responses','Simulated responses') xlabel('x') ylabel('y')
Наблюдаемый и симулированные отклики, кажется, так же распределяются.
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
.
ysim = random(Mdl,Xnew,'BinomialSize',50)
возвращает количества успеха, встревоженного случайным шумом, с помощью количества испытаний, заданных 'BinomialSize'
.'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. random
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 ysim
зависит от значения 'BinomialSize'
.
Если 'BinomialSize'
1 (значение по умолчанию), затем каждое значение в выходе ysim
вероятность успеха.
Если 'BinomialSize'
не 1, затем каждое значение в выходе ysim
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. random
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
ysim
— Значения симулированного откликаЗначения симулированного отклика, возвращенные как числовой вектор. Симулированные значения являются предсказанными значениями отклика в Xnew
встревоженный случайным шумом с распределением, данным подобранной моделью. Значения в ysim
независимы, условны на предикторах. Для бинома и подгонок Пуассона, random
генерирует ysim
с заданным распределением и никакой корректировкой к любой предполагаемой дисперсии.
Если 'BinomialSize'
1 (значение по умолчанию), затем каждое значение в выходе ysim
вероятность успеха.
Если 'BinomialSize'
не 1, затем каждое значение в выходе ysim
предсказанное количество успехов в испытаниях.
Для предсказаний без случайного шума используйте predict
или feval
.
predict
принимает один входной параметр, содержащий все переменные предикторы, и дает доверительные интервалы на его предсказаниях.
feval
принимает несколько входных параметров с одним входом для каждого переменного предиктора, который более прост использовать с моделью, созданной из массива набора данных или таблицы. feval
функция не поддерживает аргументы пары "имя-значение" 'Offset'
и 'BinomialSize'
. Функция использует 0 в качестве значения смещения, и выходные значения являются предсказанными вероятностями.
Указания и ограничения по применению:
Использование saveLearnerForCoder
, loadLearnerForCoder
, и codegen
(MATLAB Coder), чтобы сгенерировать код для random
функция. Сохраните обученную модель при помощи saveLearnerForCoder
. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder
и вызывает random
функция. Затем используйте codegen
сгенерировать код для функции точки входа.
random
может возвратить различную последовательность чисел, чем MATLAB®, если любое из следующего верно:
Выход является нескалярным.
Входной параметр недопустим для распределения.
Эта таблица содержит примечания об аргументах random
. 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 использовать |
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
| GeneralizedLinearModel
| predict
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.