Обучите модель классификации

Загрузите patients набор данных. Составьте таблицу, которая содержит числовые предикторы типа single и double, категориальные предикторы типа categorical, и переменная отклика Smoker из типа logical. Каждая строка таблицы соответствует различному пациенту.

load patients
Age = single(Age);
Weight = single(Weight);
Gender = categorical(Gender);
SelfAssessedHealthStatus = categorical(SelfAssessedHealthStatus);
Tbl = table(Age,Diastolic,Systolic,Weight,Gender,SelfAssessedHealthStatus,Smoker);

Обучите дерево классификации использование данных в Tbl.

Mdl = fitctree(Tbl,'Smoker')

Mdl = 
  ClassificationTree
           PredictorNames: {1x6 cell}
             ResponseName: 'Smoker'
    CategoricalPredictors: [5 6]
               ClassNames: [0 1]
           ScoreTransform: 'none'
          NumObservations: 100


  Properties, Methods

CategoricalPredictors значением свойства является [5 6], который указывает на тот Mdl идентифицирует 5-е и 6-е предикторы ('Gender' и 'SelfAssessedHealthStatus') как категориальные предикторы. Чтобы идентифицировать любые другие предикторы как категориальные предикторы, можно задать их при помощи 'CategoricalPredictors' аргумент значения имени.

Отобразите имена предиктора и их порядок в Mdl.

Mdl.PredictorNames

ans = 1x6 cell
  Columns 1 through 5

    {'Age'}    {'Diastolic'}    {'Systolic'}    {'Weight'}    {'Gender'}

  Column 6

    {'SelfAssessedHe...'}

Сохраните модель

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

Задайте функцию точки входа predictSmoker, который берет 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.

function [labels,scores] = predictSmoker(age,diastolic,systolic,weight,gender,selfAssessedHealthStatus) %#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, weight, gender, and self assessed health status. 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,gender,selfAssessedHealthStatus, ...
    '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.

Сгенерируйте код

Сгенерируйте код для predictSmoker при помощи codegen. Задайте тип данных и размерности входных параметров переменного предиктора с помощью coder.typeof.

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]);
ARGS{5} = coder.typeof(Gender,[Inf 1],[1 0]);
ARGS{6} = coder.typeof(SelfAssessedHealthStatus,[Inf 1],[1 0]);

codegen predictSmoker -args ARGS

Code generation successful.

codegen генерирует MEX-функцию predictSmoker_mex с зависимым платформой расширением в вашей текущей папке.

Проверьте сгенерированный код

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),Gender(idx),SelfAssessedHealthStatus(idx));
[labels3,scores3] = predictSmoker_mex(Age(idx),Diastolic(idx),Systolic(idx),Weight(idx),Gender(idx),SelfAssessedHealthStatus(idx));

verifyMEXlabels = isequal(labels1,labels2,labels3)

verifyMEXlabels = logical
   1

verifyMEXscores = isequal(scores1,scores2,scores3)

verifyMEXscores = logical
   1