predict

Предскажите ответы модели линейной регрессии

Описание

пример

ypred = predict(mdl,Xnew) возвращает предсказанные значения отклика модели mdl линейной регрессии к точкам в Xnew.

[ypred,yci] = predict(mdl,Xnew) также возвращает доверительные интервалы для ответов в Xnew.

пример

[ypred,yci] = predict(mdl,Xnew,Name,Value) задает дополнительные опции с помощью одного или нескольких аргументов пары "имя-значение". Например, можно задать доверительный уровень доверительного интервала и типа предсказания.

Примеры

свернуть все

Создайте квадратичную модель пробега автомобиля в зависимости от веса от carsmall набор данных.

load carsmall
X = Weight;
y = MPG;
mdl = fitlm(X,y,'quadratic');

Создайте предсказанные ответы на данные.

ypred = predict(mdl,X);

Постройте исходные ответы и предсказанные ответы, чтобы видеть, как они отличаются.

plot(X,y,'o',X,ypred,'x')
legend('Data','Predictions')

Figure contains an axes. The axes contains 2 objects of type line. These objects represent Data, Predictions.

Подбирайте модель линейной 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

Загрузите carsmall набор данных, и затем подбирает квадратичную модель регрессии.

load carsmall
X = Weight;
y = MPG;
mdl = fitlm(X,y,'quadratic');

Сохраните модель

Сохраните подбиравшую квадратичную модель в файл QLMMdl.mat при помощи saveLearnerForCoder.

saveLearnerForCoder(mdl,'QLMMdl');

Задайте функцию точки входа

Задайте функцию с именем точки входа mypredictQLM это делает следующее:

  • Примите измерения, соответствующие X и дополнительные, допустимые аргументы пары "имя-значение".

  • Загрузите подбиравшую квадратичную модель в QLMMdl.mat.

  • Возвратите границы доверительного интервала и предсказания.

function [yhat,ci] = mypredictQLM(x,varargin) %#codegen
%MYPREDICTQLM Predict response using linear model
%   MYPREDICTQLM predicts responses for the n observations in the n-by-1
%   vector x using the linear model stored in the MAT-file QLMMdl.mat, and
%   then returns the predictions in the n-by-1 vector yhat. MYPREDICTQLM
%   also returns confidence interval bounds for the predictions in the
%   n-by-2 vector ci.
CompactMdl = loadLearnerForCoder('QLMMdl');
[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.

Примечание: Если вы нажимаете кнопку, расположенную в верхнем правом разделе этого примера, и открываете пример в MATLAB®, затем MATLAB открывает папку в качестве примера. Эта папка включает файл функции точки входа.

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".

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).

codegen mypredictQLM -args {X,coder.Constant('Alpha'),0.1,coder.Constant('Simultaneous'),true}
Code generation successful.

codegen генерирует MEX-функцию mypredictQLM_mex с зависимым платформой расширением.

Проверьте сгенерированный код

Сравните предсказания и доверительные интервалы с помощью predict и mypredictQLM_mex. Задайте аргументы пары "имя-значение" в том же порядке как в -args аргумент в вызове codegen.

Xnew = sort(X);
[yhat1,ci1] = predict(mdl,Xnew,'Alpha',0.1,'Simultaneous',true);
[yhat2,ci2] = mypredictQLM_mex(Xnew,'Alpha',0.1,'Simultaneous',true);

Возвращенные значения от mypredictQLM_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.

Постройте возвращенные значения для сравнения.

h1 = plot(X,y,'k.');
hold on
h2 = plot(Xnew,yhat1,'ro',Xnew,yhat2,'gx');
h3 = plot(Xnew,ci1,'r-','LineWidth',4);
h4 = plot(Xnew,ci2,'g--','LineWidth',2);
legend([h1; h2; h3(1); h4(1)], ...
    {'Data','predict estimates','MEX estimates','predict CIs','MEX CIs'});
xlabel('Weight');
ylabel('MPG');

Figure contains an axes. The axes contains 7 objects of type line. These objects represent Data, predict estimates, MEX estimates, predict CIs, MEX CIs.

Входные параметры

свернуть все

Объект модели линейной регрессии в виде LinearModel объект, созданный при помощи fitlm или stepwiselm, или CompactLinearModel объект создается при помощи compact.

Новые 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

Аргументы в виде пар имя-значение

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.

Пример: [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.

Уровень 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

Тип предсказания в виде разделенной запятой пары, состоящей из 'Prediction' и любой 'curve' или 'observation'.

Модель регрессии для переменных предикторов X и переменная отклика y имеет форму

y = f (X) + ε,

где f является подходящей функцией регрессии, и ε является случайным шумовым термином.

  • Если 'Prediction' 'curve'то predict предсказывает доверительные границы для f (Xnew), подходящие ответы в Xnew.

  • Если 'Prediction' 'observation'то predict предсказывает доверительные границы для y, наблюдений ответа в Xnew.

Границы для y более широки, чем границы для f (X) из-за дополнительной изменчивости шумового термина.

Пример: 'Prediction','observation'

Отметьте, чтобы вычислить одновременные доверительные границы в виде разделенной запятой пары, состоящей из 'Simultaneous' и любой TRUE или FALSE.

  • truepredict 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 %.

  • falsepredict 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

Выходные аргументы

свернуть все

Предсказанные значения отклика оценены в Xnew, возвращенный как числовой вектор.

Доверительные 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'Предсказание, и 'Simultaneous'.

Альтернативная функциональность

  • feval возвращает те же предсказания как predict. feval функция может взять несколько входных параметров 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.

  • Использование plotSlice создать фигуру, содержащую ряд графиков, каждый представляющий срез через предсказанную поверхность регрессии. Каждый график показывает подходящие значения отклика в зависимости от одного переменного предиктора с другими переменными предикторами, сохраненными постоянными.

Расширенные возможности

Представленный в R2012a
Для просмотра документации необходимо авторизоваться на сайте