Генерация кода для модели логистической регрессии, обученной в Classification Learner

В этом примере показано, как обучить модель логистической регрессии использование Classification Learner, и затем сгенерировать код С, который предсказывает метки с помощью экспортируемой модели классификации.

Загрузка демонстрационных данных

Загрузите выборочные данные и импортируйте данные в приложение Classification Learner.

Загрузите patients набор данных. Задайте данные о предикторе X, состоя из p предикторы и переменная отклика Y.

load patients
X = [Age Diastolic Height Systolic Weight];
p = size(X,2);
Y = Gender;

На вкладке Apps нажмите Show больше стрелы справа от раздела Apps, чтобы отобразить галерею и выбрать Classification Learner. На вкладке Classification Learner, в Разделе файла, выбирают New Session> From Workspace.

В диалоговом окне New Session from Workspace, под Переменной Набора данных, выбирают X из списка переменных рабочей области. При Ответе нажмите переключатель рабочей области From и затем выберите Y из списка. Чтобы принять схему валидации по умолчанию и продолжиться, нажмите Start Session. Опция валидации по умолчанию является 5-кратной перекрестной проверкой, чтобы защитить от сверхподбора кривой.

По умолчанию Classification Learner создает график рассеивания данных.

Обучите модель логистической регрессии

Обучите модель логистической регрессии в рамках приложения Classification Learner.

На вкладке Classification Learner, в разделе Model Type, нажимают Show больше стрелы, чтобы отобразить галерею классификаторов. Под Классификаторами Логистической регрессии кликните по модели Logistic Regression. Нажмите Train в разделе Training. Приложение обучает модель и отображается, ее точность перекрестной проверки выигрывают Точность (Валидация).

Модель экспорта к рабочей области

Экспортируйте модель в MATLAB® Workspace и сохраните его с помощью saveLearnerForCoder.

В Разделе экспорта выберите Export Model> Export Compact Model. Нажмите ОК в диалоговом окне.

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

Примечание: Если при запуске этот пример со всеми вспомогательными файлами, можно загрузить trainedModel.mat файл в командной строке вместо того, чтобы экспортировать модель. trainedModel структура была создана с помощью предыдущих шагов.

load('trainedModel.mat')

В командной строке сохраните компактную модель в файл с именем myModel.mat в вашей текущей папке.

saveLearnerForCoder(trainedModel.GeneralizedLinearModel,'myModel')

Кроме того, сохраните имена успеха, отказа и недостающих классов обученной модели.

classNames = {trainedModel.SuccessClass, ...
    trainedModel.FailureClass,trainedModel.MissingClass};
save('ModelParameters.mat','classNames');

Сгенерируйте код С для предсказания

Задайте функцию точки входа для предсказания и сгенерируйте код для функции при помощи codegen.

В вашей текущей папке задайте функцию с именем classifyX.m это делает следующее:

  • Принимает числовую матрицу (X) из наблюдений, содержащих те же переменные предикторы, когда, те раньше обучали модель логистической регрессии

  • Загружает модель классификации в myModel.mat

  • Вычисляет предсказанные вероятности с помощью модели

  • Преобразует предсказанные вероятности в индексы, где 1 указывает, что успех, 2 указывает, что отказ, и 3 указывает на отсутствующее значение

  • Загружает имена классов в ModelParameters.mat

  • Возвращает предсказанные метки путем индексации в имена классов

function label = classifyX (X) %#codegen 
%CLASSIFYX Classify using Logistic Regression Model 
%  CLASSIFYX classifies the measurements in X 
%  using the logistic regression model in the file myModel.mat, 
%  and then returns class labels in label.

n = size(X,1);
label = coder.nullcopy(cell(n,1));

CompactMdl = loadLearnerForCoder('myModel');
probability = predict(CompactMdl,X);

index = ~isnan(probability).*((probability<0.5)+1) + isnan(probability)*3;

classInfo = coder.load('ModelParameters');
classNames = classInfo.classNames;

for i = 1:n    
    label{i} = classNames{index(i)};
end
end

Примечание: Если вы создаете модель логистической регрессии в Classification Learner после использования выбора признаков или анализа главных компонентов (PCA), необходимо включать дополнительные строки кода в функцию точки входа. Для примера, который показывает эти дополнительные шаги, см. Приложение Classification Learner и Генерация кода.

Сгенерируйте MEX-функцию от classifyX.m. Создайте матричный data для генерации кода, использующей coder.typeof. Укажите что количество строк в data произвольно, но тот data должен иметь p столбцы, где p количество предикторов, используемых, чтобы обучить модель логистической регрессии. Используйте -args опция, чтобы задать data в качестве аргумента.

data = coder.typeof(X,[Inf p],[1 0]);
codegen classifyX.m -args data
Code generation successful.

codegen генерирует файл MEX classifyX_mex.mex64 в вашей текущей папке. Расширение файла зависит от вашей платформы.

Проверьте, что MEX-функция возвращает ожидаемые метки. Случайным образом чертите 15 наблюдений от X.

rng('default') % For reproducibility
testX = datasample(X,15);

Классифицируйте наблюдения при помощи predictFcn функция в модели классификации, обученной в Classification Learner.

testLabels = trainedModel.predictFcn(testX);

Классифицируйте наблюдения при помощи сгенерированной MEX-функции classifyX_mex.

testLabelsMEX = classifyX_mex(testX);

Сравните наборы предсказаний. isequal возвращает логическую единицу, (TRUE) если testLabels и testLabelsMEX равны.

isequal(testLabels,testLabelsMEX)
ans = logical
   1

predictFcn и MEX-функция classifyX_mex возвратите те же значения.

Смотрите также

| | | | (MATLAB Coder) | (MATLAB Coder)

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте