Классифицировать наблюдения с помощью классификатора дерева решений
Набор инструментов/классификация статистики и машинного обучения
Блок «Прогнозирование дерева» классифицирует наблюдения с помощью объекта дерева классификации (ClassificationTree или CompactClassificationTree) для мультиклассовой классификации.
Импортируйте обученный объект классификации в блок, указав имя переменной рабочей области, содержащей объект. Входной порт x принимает данные наблюдения (данные предиктора), и метка выходного порта возвращает прогнозируемую метку класса для наблюдения. Можно добавить дополнительную оценку порта вывода, которая возвращает прогнозируемые оценки класса или апостериорные вероятности.
Add output port for predicted class scores - Добавление второго выходного порта для прогнозируемых оценок классаoff (по умолчанию) | onУстановите этот флажок, чтобы включить второй балл порта вывода в блок предсказания дерева.
Параметр блока:
ShowOutputScore |
| Текст: символьный вектор |
Значения:
'off' | 'on' |
По умолчанию:
'off' |
Укажите тип данных для вывода метки. Тип может быть унаследован, указан как перечисляемый тип данных или выражен как объект типа данных, например Simulink.NumericType.
При выборе унаследованной опции программное обеспечение работает следующим образом:
Inherit: Inherit via back propagation (по умолчанию для числовых и логических меток) - Simulink автоматически определяет тип данных блока Label во время распространения типа данных (см. раздел Распространение типа данных (Simulink)). В этом случае блок использует тип данных нисходящего блока или сигнального объекта.
Inherit: auto (по умолчанию для нечисловых меток) - блок использует автоматически определенную переменную перечисляемого типа данных. Например, предположим, что имя переменной рабочей области указано Select trained machine learning model является myMdl, а метки классов: class 1 и class 2. Затем соответствующие значения метки myMdl_enumLabels.class_1 и myMdl_enumLabels.class_2. Блок преобразует метки класса в допустимые идентификаторы MATLAB с помощью matlab.lang.makeValidName функция.
Дополнительные сведения о типах данных см. в разделе Типы данных управляющих сигналов (Simulink).
Нажмите кнопку Показать помощник по типам данных
, чтобы отобразить помощник по типам данных, который помогает задать атрибуты типов данных. Дополнительные сведения см. в разделе Определение типов данных с помощью помощника по типам данных (Simulink).
Поддерживаемые типы данных зависят от меток, используемых в модели, указанной в Select trained machine learning model.
Если в модели используются числовые или логические метки, поддерживаются следующие типы данных: Inherit: Inherit via back propagation (по умолчанию), double, single, half, int8, uint8, int16, uint16, int32, uint32, int64, uint64, boolean, фиксированная точка и объект типа данных.
Если в модели используются нечисловые метки, поддерживаются следующие типы данных: Inherit: auto (по умолчанию), Enum: <class name>и объект типа данных.
Параметр блока: LabelDataTypeStr |
| Текст: символьный вектор |
Значения: 'Inherit: Inherit via back propagation' | 'Inherit: auto' | 'double' | 'single' | 'half' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'int64' | 'uint64' | 'boolean' | 'fixdt(1,16)' | 'fixdt(1,16,0)' | 'fixdt(1,16,2^0,0)' | 'Enum: <class name>' | '<data type expression>' |
По умолчанию: 'Inherit: Inherit via back propagation' (для числовых и логических меток) | 'Inherit: auto' (для нечисловых этикеток) |
Укажите тип данных для результата оценки. Тип может быть унаследован, указан непосредственно или выражен как объект типа данных, например Simulink.NumericType.
При выборе Inherit: autoблок использует правило, наследующее тип данных.
Дополнительные сведения о типах данных см. в разделе Типы данных управляющих сигналов (Simulink).
Нажмите кнопку Показать помощник по типам данных, чтобы отобразить помощник по типам данных, который помогает задать атрибуты типов данных. Дополнительные сведения см. в разделе Определение типов данных с помощью помощника по типам данных (Simulink).
Параметр блока: ScoreDataTypeStr |
| Текст: символьный вектор |
Значения: 'Inherit: auto' | 'double' | 'single' | 'half' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'int64' | 'uint64' | 'boolean' | 'fixdt(1,16)' | 'fixdt(1,16,0)' | 'fixdt(1,16,2^0,0)' | '<data type expression>' |
По умолчанию: 'Inherit: auto' |
Укажите тип данных для внутренних нетрансформированных баллов. Тип может быть унаследован, указан непосредственно или выражен как объект типа данных, например Simulink.NumericType.
При выборе Inherit: autoблок использует правило, наследующее тип данных.
Дополнительные сведения о типах данных см. в разделе Типы данных управляющих сигналов (Simulink).
Нажмите кнопку Показать помощник по типам данных, чтобы отобразить помощник по типам данных, который помогает задать атрибуты типов данных. Дополнительные сведения см. в разделе Определение типов данных с помощью помощника по типам данных (Simulink).
Этот параметр можно задать только в том случае, если модель задана Select trained machine learning model использует преобразование баллов, отличное от 'none' (по умолчанию, то же, что и 'identity').
Если модель не использует преобразования баллов ('none' или 'identity'), то можно указать тип данных оценки с помощью Score data type.
Если модель использует преобразование баллов, отличное от 'none' или 'identity', то вы можете указать тип данных нетрансформированных необработанных баллов с помощью этого параметра и указать тип данных преобразованных баллов с помощью Score data type.
Можно изменить параметр преобразования баллов, указав 'ScoreTransform' аргумент «имя-значение» во время обучения или путем изменения ScoreTransform имущество после обучения.
Параметр блока: RawScoreDataTypeStr |
| Текст: символьный вектор |
Значения: 'Inherit: auto' | 'double' | 'single' | 'half' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'int64' | 'uint64' | 'boolean' | 'fixdt(1,16)' | 'fixdt(1,16,0)' | 'fixdt(1,16,2^0,0)' | '<data type expression>' |
По умолчанию: 'Inherit: auto' |
Типы данных |
|
Прямой проход |
|
Многомерные сигналы |
|
Сигналы переменного размера |
|
Обнаружение пересечения нулей |
|
Функциональный блок MATLAB можно использовать с predict функция объекта дерева классификации (ClassificationTree или CompactClassificationTree). Пример см. в разделе Прогнозирование меток классов с использованием функционального блока MATLAB.
При принятии решения об использовании блока «Прогнозирование дерева» в библиотеке Toolbox™ статистики и машинного обучения или блока «Функция MATLAB» с помощью predict рассмотрите следующие функции:
При использовании блока библиотеки инструментов «Статистика и машинное обучение» для преобразования модели с плавающей запятой в фиксированную можно использовать инструмент «Фиксированная точка» (Fixed-Point Designer).
Поддержка массивов переменного размера должна быть включена для функционального блока MATLAB с predict функция.
При использовании функционального блока MATLAB можно использовать функции MATLAB для предварительной обработки или последующей обработки до или после прогнозирования в том же функциональном блоке MATLAB.
