Моделирование откликов со случайным шумом для обобщенной модели линейной регрессии
ysim = random(mdl,Xnew,Name,Value)
Создайте обобщенную модель линейной регрессии и смоделируйте ее реакцию случайным шумом на новые данные.
Создание данных выборки с использованием случайных чисел Пуассона с одним основным предиктором X.
rng('default') % For reproducibility X = rand(20,1); mu = exp(1 + 2*X); y = poissrnd(mu);
Создайте обобщенную модель линейной регрессии данных Пуассона.
mdl = fitglm(X,y,'y ~ x1','Distribution','poisson');
Создание точек данных для прогнозирования.
Xnew = (0:.05:1)';
Моделирование ответов со случайным шумом в точках данных.
ysim = random(mdl,Xnew);
Постройте график смоделированных и исходных значений.
plot(X,y,'rx',Xnew,ysim,'bo',Xnew,feval(mdl,Xnew),'g-') legend('Data','Simulated Response with Noise','Predicted Response', ... 'Location','best')
Поместите обобщенную модель линейной регрессии, а затем сохраните модель с помощью saveLearnerForCoder. Определение функции точки входа, которая загружает модель с помощью loadLearnerForCoder и вызывает predict функция подогнанной модели. Затем использовать codegen (Кодер MATLAB) для генерации кода C/C + +. Следует отметить, что для создания кода C/C + + требуется Coder™ MATLAB ®.
В этом примере кратко описывается рабочий процесс создания кода для прогнозирования моделей линейной регрессии в командной строке. Дополнительные сведения см. в разделе Создание кода для прогнозирования модели машинного обучения в командной строке. Можно также создать код с помощью приложения MATLAB Coder. Дополнительные сведения см. в разделе Создание кода для прогнозирования модели машинного обучения с помощью приложения MATLAB Coder App.
Модель поезда
Создание выборочных данных предиктора x и реагирование y со следующими распределениями:
).
1 = -2.
exp (1 + xβ)).
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 модель линейной регрессии биномиальных данных. Укажите размер биномиальной выборки 10.
mdl = fitglm(x,y,'y ~ x1','Distribution','Binomial','BinomialSize',n);
Сохранить модель
Сохранение подогнанной модели обобщенной линейной регрессии в файле GLMMdl.mat с помощью saveLearnerForCoder.
saveLearnerForCoder(mdl,'GLMMdl');Определение функции точки входа
В текущей папке определите функцию точки входа с именем myrandomGLM.m это делает следующее:
Примите новые входные параметры предиктора и допустимые аргументы пары имя-значение.
Загрузить подогнанную обобщенную модель линейной регрессии в GLMMdl.mat с помощью loadLearnerForCoder.
Моделирование ответов 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
Добавить %#codegen директива компилятора (или прагматика) для функции начального уровня после сигнатуры функции, указывающая, что предполагается создать код для алгоритма MATLAB. Добавление этой директивы дает команду анализатору кода MATLAB помочь в диагностике и устранении нарушений, которые могут привести к ошибкам при создании кода.
Создать код
Создание кода для функции точки входа с помощью codegen (Кодер MATLAB). Поскольку C и C++ являются статически типизированными языками, необходимо определить свойства всех переменных в функции точки входа во время компиляции. Чтобы указать тип данных и точный размер входного массива, передайте выражение MATLAB ®, представляющее набор значений с определенным типом данных и размером массива. Использоватьcoder.Constant (Кодер MATLAB) для имен аргументов пары имя-значение.
Укажите данные предиктора x и биномиальный параметр n.
codegen -config:mex myrandomGLM -args {x,coder.Constant('BinomialSize'),coder.Constant(n)}
Code generation successful.
codegen генерирует функцию MEX myrandomGLM_mex с расширением, зависящим от платформы.
Если количество наблюдений неизвестно во время компиляции, можно также указать входные данные как переменные размеры, используя coder.typeof (Кодер MATLAB). Дополнительные сведения см. в разделах Определение аргументов переменного размера для генерации кода и Определение свойств входов функции точки входа (кодер MATLAB).
Проверить созданный код
Моделирование ответов с помощью функции MEX. Укажите данные предиктора x и биномиальный параметр n.
ysim = myrandomGLM_mex(x,'BinomialSize',n);Постройте график смоделированных значений и данных на одном рисунке.
figure plot(x,y,'bo',x,ysim,'r*') legend('Observed responses','Simulated responses') xlabel('x') ylabel('y')
Наблюдаемые и смоделированные ответы, по-видимому, распределены аналогичным образом.
Для прогнозов без случайного шума используйте predict или feval.
predict принимает один входной аргумент, содержащий все переменные предиктора, и дает доверительные интервалы в своих прогнозах.
feval принимает несколько входных аргументов с одним входом для каждой переменной предиктора, что проще в использовании с моделью, созданной из таблицы или массива набора данных. feval функция не поддерживает аргументы пары имя-значение 'Offset' и 'BinomialSize'. Функция использует 0 в качестве значения смещения, а выходные значения являются прогнозируемыми вероятностями.
CompactGeneralizedLinearModel | feval | GeneralizedLinearModel | predict