ClassificationECOCCoderConfigurer

Конфигуратор кодера для многоклассовой модели с использованием двоичных учащихся

развернуть все на странице

Описание

A ClassificationECOCCoderConfigurer объект является конфигуратором кодера многоклассовой модели классификации выходных кодов с исправлением ошибок (ECOC) (ClassificationECOC или CompactClassificationECOC), который использует машину опорных векторов (SVM) или линейных двоичных учащихся.

Конфигуратор кодера предлагает удобные функции, чтобы сконфигурировать опции генерации кода, сгенерировать код C/C + + и обновить параметры модели в сгенерированном коде.

  • Сконфигурируйте опции генерации кода и укажите атрибуты кодера параметров модели с помощью свойств объекта.

  • Сгенерируйте код C/C + + для predict и update функции модели ECOC при помощи generateCode. Для генерации кода C/C + + требуется MATLAB® Coder™.

  • Обновите параметры модели в сгенерированном коде C/C + + без необходимости регенерировать код. Эта функция уменьшает усилия, необходимые для регенерации, перенаправления и повторной проверки кода C/C + + при переобучении модели с новыми данными или настройками. Перед обновлением параметров модели используйтеvalidatedUpdateInputs чтобы подтвердить и извлечь параметры модели для обновления.

Этот график потока показывает рабочий процесс генерации кода с помощью конфигуратора кодера.

Для указаний по применению генерации кода и ограничений многоклассовой модели классификации ECOC, смотрите разделы Генерации кода CompactClassificationECOC, predict, и update.

Создание

После обучения многоклассовой модели классификации ECOC с SVM или линейными двоичными учащимися при помощи fitcecoc, создайте конфигуратор кодера для модели при помощи learnerCoderConfigurer. Используйте свойства конфигуратора кодера, чтобы задать атрибуты кодера predict и update аргументы. Затем используйте generateCode для генерации кода C/C + + на основе заданных атрибутов кодера.

Свойства

расширить все

predict Аргументы

Свойства, перечисленные в этом разделе, определяют атрибуты кодера predict аргументы функции в сгенерированном коде.

Атрибуты кодера данных предиктора, чтобы передать в сгенерированный код C/C + + для predict функция классификационной модели ECOC, заданная как LearnerCoderInput объект.

Когда вы создаете конфигуратор кодера при помощи learnerCoderConfigurer function, the входного параметра X определяет значения по умолчанию для LearnerCoderInput атрибуты кодера:

  • SizeVector - Значение по умолчанию является размером массива входных X.

    • Если на Value атрибут ObservationsIn свойство для ClassificationECOCCoderConfigurer является 'rows', затем это SizeVector значение [n p], где n соответствует количеству наблюдений и p соответствует количеству предикторов.

    • Если на Value атрибут ObservationsIn свойство для ClassificationECOCCoderConfigurer является 'columns', затем это SizeVector значение [p n].

    Переключение элементов SizeVector (например, чтобы изменить [n p] на [p n]), измените Value атрибут ObservationsIn свойство для ClassificationECOCCoderConfigurer соответственно. Вы не можете изменить SizeVector значение непосредственно.

  • VariableDimensions - Значение по умолчанию [0 0], что указывает, что размер массива фиксирован, как указано в SizeVector.

    Можно задать это значение [1 0] если SizeVector значение [n p] или к [0 1] если это [p n], что указывает на то, что массив имеет строки переменного размера и столбцы фиксированного размера. Для примера, [1 0] задает, что первое значение SizeVector (n) - верхняя граница для количества строк и второе значение SizeVector (p) - количество столбцов.

  • DataType - Это значение single или double. Тип данных по умолчанию зависит от типа данных входных X.

  • Tunability - Это значение должно быть true, что означает, что predict в сгенерированный код C/C + + всегда включают данные предиктора в качестве входов.

Можно изменить атрибуты кодера с помощью записи через точку. Например, чтобы сгенерировать код C/C + +, который принимает данные предиктора со 100 наблюдениями (в строках) трех переменных предиктора (в столбцах), задайте эти атрибуты кодера X для конфигуратора кодера configurer:

configurer.X.SizeVector = [100 3];
configurer.X.DataType = 'double';
configurer.X.VariableDimensions = [0 0];
[0 0] указывает, что первое и вторые измерения X (количество наблюдений и количество переменных предиктора, соответственно) имеют фиксированные размеры.

Чтобы позволить сгенерированному коду C/C + + принять данные предиктора с до 100 наблюдениями, задайте эти атрибуты кодера X:

configurer.X.SizeVector = [100 3];
configurer.X.DataType = 'double';
configurer.X.VariableDimensions = [1 0];
[1 0] указывает, что первая размерность X (количество наблюдений) имеет переменный размер и второе измерение X (количество переменных предиктора) имеет фиксированный размер. Заданное количество наблюдений, 100 в этом примере, становится максимально допустимым количеством наблюдений в сгенерированном коде C/C + +. Чтобы разрешить любое количество наблюдений, задайте границу следующим Inf.

Атрибуты кодера функции двоичных потерь учащегося ('BinaryLoss' Аргумент пары "имя-значение" из predict), заданная как EnumeratedInput объект.

Значения атрибутов по умолчанию EnumeratedInput основаны на значениях по умолчанию для объекта predict функция:

  • Value - Двоичная функция потерь учащегося, заданная как один из векторов символов в BuiltInOptions или вектор символов, обозначающий пользовательское имя функции. Если двоичные ученики являются SVM или линейными классификационными моделями учащихся SVM, значение по умолчанию 'hinge'. Если двоичные ученики являются линейными классификационными моделями логистических регрессионеров, значение по умолчанию 'quadratic'.

    Чтобы использовать пользовательскую опцию, задайте пользовательскую функцию в пути поиска файлов MATLAB и задайте Value как имя пользовательской функции.

  • SelectedOption - Это значение 'Built-in'(по умолчанию) или 'Custom'. Программное обеспечение устанавливает SelectedOption согласно Value. Этот атрибут доступен только для чтения.

  • BuiltInOptions - Массив ячеек 'hamming', 'linear', 'quadratic', 'exponential', 'binodeviance', 'hinge', и 'logit'. Этот атрибут доступен только для чтения.

  • IsConstant - Это значение должно быть true.

  • Tunability - Значение по умолчанию false. Если вы задаете другие значения атрибутов при Tunability является false, программное обеспечение устанавливает Tunability на true.

Атрибуты кодера схемы декодирования ('Decoding' Аргумент пары "имя-значение" из predict), заданная как EnumeratedInput объект.

Значения атрибутов по умолчанию EnumeratedInput основаны на значениях по умолчанию для объекта predict функция:

  • Value - Значение схемы декодирования, заданное как 'lossweighted'(по умолчанию), 'lossbased', или LearnerCoderInput объект.

    Если вы задаете IsConstant на false, затем изменяется программное обеспечение Value в LearnerCoderInput объект с этими значениями атрибутов кодера только для чтения:

    • SizeVector — [1 12]

    • VariableDimensions — [0 1]

    • DataType — 'char'

    • Tunability — 1

    Вход в сгенерированном коде является настраиваемым вектором символов переменного размера, который либо 'lossweighted' или 'lossbased'.

  • SelectedOption - Это значение 'Built-in'(по умолчанию) или 'NonConstant'. Программное обеспечение устанавливает SelectedOption согласно Value. Этот атрибут доступен только для чтения.

  • BuiltInOptions - Массив ячеек 'lossweighted' и 'lossbased'. Этот атрибут доступен только для чтения.

  • IsConstant - Значение по умолчанию true. Если вы задаете это значение false, изменяется программное обеспечение Value в LearnerCoderInput объект.

  • Tunability - Значение по умолчанию false. Если вы задаете другие значения атрибутов при Tunability является false, программное обеспечение устанавливает Tunability на true.

Атрибуты кодера размерности наблюдения данных предиктора ('ObservationsIn' Аргумент пары "имя-значение" из predict), заданная как EnumeratedInput объект.

Когда вы создаете конфигуратор кодера при помощи learnerCoderConfigurer function, the 'ObservationsIn' аргумент пары "имя-значение" определяет значения по умолчанию EnumeratedInput атрибуты кодера:

  • Value - Значение по умолчанию является размерностью наблюдения данных предиктора, используемым при создании конфигуратора кодера, заданным как 'rows' или 'columns'. Если вы не задаете 'ObservationsIn' при создании конфигуратора кодера значение по умолчанию 'rows'.

    Это значение должно быть 'rows' для модели, которая использует двоичных учащихся SVM.

  • SelectedOption - Это значение всегда 'Built-in'. Этот атрибут доступен только для чтения.

  • BuiltInOptions - Массив ячеек 'rows' и 'columns'. Этот атрибут доступен только для чтения.

  • IsConstant - Это значение должно быть true.

  • Tunability - Значение по умолчанию false если вы задаете 'ObservationsIn','rows' при создании конфигуратора кодера и true если вы задаете 'ObservationsIn','columns'. Если вы задаете Tunability на false, программное обеспечение устанавливает Value на 'rows'. Если вы задаете другие значения атрибутов при Tunability является false, программное обеспечение устанавливает Tunability на true.

Количество выходных аргументов, возвращаемых из сгенерированного кода C/C + + для predict функция классификационной модели ECOC, заданная как 1, 2 или 3.

Выходные аргументы predict есть, по порядку: label (предсказанные метки классов), NegLoss (отрицательные средние двоичные потери), и PBScore (оценки положительного класса). predict в сгенерированном коде C/C + + возвращается первое n выходы predict function, где n является NumOutputs значение.

После создания конфигуратора кодера configurerможно задать количество выходов при помощи записи через точку.

configurer.NumOutputs = 2;

The NumOutputs свойство эквивалентно '-nargout' опция компилятора codegen (MATLAB Coder). Эта опция задает количество выходных аргументов в функции точки входа генерации кода. Функция объекта generateCode генерирует две функции точки входа - predict.m и update.m для predict и update функции классификационной модели ECOC, соответственно - и генерирует код C/C + + для двух функций точки входа. Заданное значение для NumOutputs свойство соответствует количеству выходных аргументов в функции точки входа predict.m.

Типы данных: double

update Аргументы

Свойства, перечисленные в этом разделе, определяют атрибуты кодера update аргументы функции в сгенерированном коде. update функция принимает обученную модель и новые параметры модели в качестве входных параметров и возвращает обновленную версию модели, которая содержит новые параметры. Чтобы включить обновление параметров в сгенерированном коде, необходимо перед генерацией кода задать атрибуты кодера параметров. Использование LearnerCoderInput объект для задания атрибутов кодера каждого параметра. Значения атрибутов по умолчанию основаны на параметрах модели в входной параметр Mdl из learnerCoderConfigurer.

Атрибуты кодера обученных двоичных учащихся (BinaryLearners модели классификации ECOC), заданный как ClassificationSVMCoderConfigurer объект (для двоичных учащихся SVM) или ClassificationLinearCoderConfigurer объект (для линейных двоичных учащихся).

Используйте update аргументы объекта SVM или конфигуратора линейного кодера для определения атрибутов кодера всех двоичных учащихся.

Для строения BinaryLearners, программное обеспечение использует только update свойства аргумента и игнорирует другие свойства объекта.

Когда вы обучаете модель ECOC с двоичными учениками SVM, каждый ученик может иметь разное количество векторов поддержки. Поэтому программное обеспечение конфигурирует значения атрибутов по умолчанию LearnerCoderInput объекты для Alpha, SupportVectorLabels, и SupportVectors для размещения всех двоичных учащихся на основе входного параметра Mdl из learnerCoderConfigurer.

  • SizeVector

    • Это значение [s 1] для Alpha и SupportVectorLabels, где s - самое большое количество векторов поддержки у двоичных учащихся.

    • Это значение [s p] для SupportVectors, где p - количество предикторов.

  • VariableDimensions - Это значение [0 0] или [1 0]. Если у каждого учащегося одинаковое количество векторов поддержки, значение по умолчанию [0 0]. В противном случае это значение должно быть [1 0].

    • [0 0] указывает, что размер массива фиксирован, как указано в SizeVector.

    • [1 0] указывает, что массив имеет строки переменного размера и столбцы фиксированного размера. В этом случае первое значение SizeVector - верхняя граница для количества строк и второе значение SizeVector количество столбцов.

  • DataType - Это значение 'single' или 'double'. Тип данных по умолчанию соответствует типу данных обучающих данных, которые вы используете для обучения Mdl.

  • Tunability - Если вы обучаете модель с линейной функцией ядра, и модель хранит линейные коэффициенты предиктора (Beta) без поддержки векторов и связанных значений, тогда это значение должно быть false. В противном случае это значение должно быть true.

Для получения дополнительной информации о другом update аргументы, см. update аргументы ClassificationSVMCoderConfigurer и update аргументы ClassificationLinearCoderConfigurer.

Атрибуты кодера затрат на неправильную классификацию (Cost модели классификации ECOC), заданный как LearnerCoderInput объект.

Значения атрибутов по умолчанию LearnerCoderInput Объекты основаны на входном параметре Mdl из learnerCoderConfigurer:

  • SizeVector - Это значение должно быть [c c], где c количество классов.

  • VariableDimensions - Это значение должно быть [0 0], что указывает, что размер массива фиксирован, как указано в SizeVector.

  • DataType - Это значение 'single' или 'double'. Тип данных по умолчанию соответствует типу данных обучающих данных, которые вы используете для обучения Mdl.

  • Tunability - Значение по умолчанию true.

Атрибуты кодера априорных вероятностей (Prior модели классификации ECOC), заданный как LearnerCoderInput объект.

Значения атрибутов по умолчанию LearnerCoderInput Объекты основаны на входном параметре Mdl из learnerCoderConfigurer:

  • SizeVector - Это значение должно быть [1 c], где c количество классов.

  • VariableDimensions - Это значение должно быть [0 0], что указывает, что размер массива фиксирован, как указано в SizeVector.

  • DataType - Это значение 'single' или 'double'. Тип данных по умолчанию соответствует типу данных обучающих данных, которые вы используете для обучения Mdl.

  • Tunability - Значение по умолчанию true.

Другие опции конфигуратора

Имя файла сгенерированного кода C/C + +, заданное как вектор символов.

Функция объекта generateCode от ClassificationECOCCoderConfigurer генерирует код C/C + + с использованием этого имени файла.

Имя файла не должно содержать пространства, поскольку они могут привести к отказам генерации кода в определенных строениях операционной системы. Кроме того, имя должно быть допустимым именем функции MATLAB.

После создания конфигуратора кодера configurerимя файла можно задать с помощью записи через точку.

configurer.OutputFileName = 'myModel';

Типы данных: char

Уровень подробностей, заданный как true (логический 1) или false (логический 0). Уровень подробностей управляет отображением уведомлений в командной строке.

ЗначениеОписание
true (логический 1)Программа отображает уведомления, когда изменения атрибутов кодера параметра приводят к изменениям для других зависимых параметров.
false (логический 0)Программа не отображает уведомления.

Чтобы включить обновление параметров модели машинного обучения в сгенерированном коде, необходимо сконфигурировать атрибуты кодера параметров перед генерацией кода. Атрибуты параметров кодера зависят друг от друга, поэтому программное обеспечение сохраняет зависимости как ограничения строения. Если вы изменяете атрибуты кодера параметра с помощью конфигуратора кодера, и изменение требует последующих изменений других зависимых параметров, чтобы удовлетворить ограничениям строения, то программное обеспечение изменяет атрибуты кодера зависимых параметров. Уровень подробностей определяет, отображает ли программа уведомления об этих последующих изменениях.

После создания конфигуратора кодера configurerможно изменить уровень подробностей при помощи записи через точку.

configurer.Verbose = false;

Типы данных: logical

Опции для индивидуальной настройки генерации кода

Чтобы настроить рабочий процесс генерации кода, используйте generateFiles функция и следующие три свойства с codegen (MATLAB Coder), вместо использования generateCode функция.

После генерации двух файлов функции точки входа (predict.m и update.m) при помощи generateFiles функция, вы можете изменять эти файлы в соответствии с вашим рабочим процессом генерации кода. Для примера можно изменить predict.m файл, включающий предварительную обработку данных, или можно добавить эти функции точки входа к другому проекту генерации кода. Затем можно сгенерировать код C/C + + при помощи codegen (MATLAB Coder) функцию и codegen аргументы, соответствующие измененным функциям точки входа или проекту генерации кода. Используйте три свойства, описанные в этом разделе, как начальная точка, чтобы задать codegen аргументы.

Это свойство доступно только для чтения.

codegen (MATLAB Coder) аргументы, заданные как массив ячеек.

Это свойство позволяет вам настроить рабочий процесс генерации кода. Используйте generateCode если вам не нужно настраивать рабочий процесс.

Вместо использования generateCode с помощью конфигуратора кодера configurer, можно сгенерировать код C/C + + следующим образом:

generateFiles(configurer)
cgArgs = configurer.CodeGenerationArguments;
codegen(cgArgs{:})
Если вы настраиваете рабочий процесс генерации кода, измените cgArgs соответственно перед вызовом codegen.

Если вы изменяете другие свойства configurerпрограммное обеспечение обновляет CodeGenerationArguments соответственно.

Типы данных: cell

Это свойство доступно только для чтения.

Список настраиваемых входных параметров функции точки входа predict.m для генерации кода, заданной как массив ячеек. Массив ячеек содержит другой массив ячеек, который включает coder.PrimitiveType (MATLAB Coder) объекты и coder.Constant (MATLAB Coder) объекты.

Если вы изменяете атрибуты кодера predict аргументы, затем программное обеспечение соответствующим образом обновляет соответствующие объекты. Если вы задаете Tunability атрибут как false, затем программное обеспечение удаляет соответствующие объекты из PredictInputs список.

Массив ячеек в PredictInputs эквивалентно configurer.CodeGenerationArguments{6} для конфигуратора кодера configurer.

Типы данных: cell

Это свойство доступно только для чтения.

Список настраиваемых входных параметров функции точки входа update.m для генерации кода, заданной как массив ячеек структуры. Структура включает в себя coder.CellType (MATLAB Coder) объект для BinaryLearners и coder.PrimitiveType (MATLAB Coder) объекты для Cost и Prior.

Если вы изменяете атрибуты кодера update аргументы, затем программное обеспечение соответствующим образом обновляет соответствующие объекты. Если вы задаете Tunability атрибут как false, затем программное обеспечение удаляет соответствующий объект из UpdateInputs список.

Структура в UpdateInputs эквивалентно configurer.CodeGenerationArguments{3} для конфигуратора кодера configurer.

Типы данных: cell

Функции объекта

generateCodeСгенерируйте код C/C + + с помощью конфигуратора кодера
generateFilesСгенерируйте файлы MATLAB для генерации кода с помощью конфигуратора кодера
validatedUpdateInputsВалидация и экстракция параметров модели машинного обучения для обновления

Примеры

свернуть все

Этот пример использует:

Открыть Live Script

Обучите модель машинного обучения, а затем сгенерируйте код для predict и update функций модели при помощи конфигуратора кодера.

Загрузите набор данных радужки Фишера и обучите многоклассовую модель ECOC с помощью двоичных учащихся SVM. 

load fisheriris
X = meas;
Y = species;
Mdl = fitcecoc(X,Y);

Mdl является ClassificationECOC объект.

Создайте конфигуратор кодера для ClassificationECOC моделировать при помощи learnerCoderConfigurer. Задайте данные предиктора X. The learnerCoderConfigurer функция использует входную X конфигурирование атрибутов кодера predict входной параметр функции. 

configurer = learnerCoderConfigurer(Mdl,X)
configurer = 
  ClassificationECOCCoderConfigurer with properties:

   Update Inputs:
    BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]
             Prior: [1x1 LearnerCoderInput]
              Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]

   Code Generation Parameters:
        NumOutputs: 1
    OutputFileName: 'ClassificationECOCModel'


  Properties, Methods

configurer является ClassificationECOCCoderConfigurer объект, который является конфигуратором кодера ClassificationECOC объект.

Чтобы сгенерировать код C/C + +, вы должны иметь доступ к компилятору C/C + +, который настроен правильно. MATLAB Coder находит и использует поддерживаемый, установленный компилятор. Можно использовать mex -setup чтобы просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. раздел «Изменение компилятора по умолчанию».

Сгенерируйте код для predict и update функции классификационной модели ECOC (Mdl) с настройками по умолчанию. 

generateCode(configurer)
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationECOCModel.mat'
Code generation successful.

The generateCode функция завершает следующие действия:

  • Сгенерируйте файлы MATLAB, необходимые для генерации кода, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно.

  • Создайте MEX-функцию с именем ClassificationECOCModel для двух функций точки входа.

  • Создайте код для MEX-функции в codegen\mex\ClassificationECOCModel папка.

  • Скопируйте MEX-функцию в текущую папку.

Отображение содержимого predict.m, update.m, и initialize.m файлы при помощи type функция.

type predict.m
function varargout = predict(X,varargin) %#codegen
% Autogenerated by MATLAB, 23-Apr-2021 12:42:55
[varargout{1:nargout}] = initialize('predict',X,varargin{:});
end

type update.m
function update(varargin) %#codegen
% Autogenerated by MATLAB, 23-Apr-2021 12:42:55
initialize('update',varargin{:});
end

type initialize.m
function [varargout] = initialize(command,varargin) %#codegen
% Autogenerated by MATLAB, 23-Apr-2021 12:42:55
coder.inline('always')
persistent model
if isempty(model)
    model = loadLearnerForCoder('ClassificationECOCModel.mat');
end
switch(command)
    case 'update'
        % Update struct fields: BinaryLearners
        %                       Prior
        %                       Cost
        model = update(model,varargin{:});
    case 'predict'
        % Predict Inputs: X
        X = varargin{1};
        if nargin == 2
            [varargout{1:nargout}] = predict(model,X);
        else
            PVPairs = cell(1,nargin-2);
            for i = 1:nargin-2
                PVPairs{1,i} = varargin{i+1};
            end
            [varargout{1:nargout}] = predict(model,X,PVPairs{:});
        end
end
end

Этот пример использует:

Открыть Live Script

Обучите модель выходных кодов с исправлением ошибок (ECOC) с помощью двоичных учащихся SVM и создайте конфигуратор кодера для модели. Используйте свойства конфигуратора кодера, чтобы задать атрибуты кодера параметров модели ECOC. Используйте функцию объекта конфигуратора кодера, чтобы сгенерировать код С, который предсказывает метки для новых данных предиктора. Затем переобучите модель с помощью разных настроек, и обновите параметры в сгенерированном коде, не регенерируя код.

Обучите модель

Загрузите набор данных радужки Фишера.

load fisheriris
X = meas;
Y = species;

Создайте двоичный шаблон учащегося SVM, чтобы использовать функцию Гауссова ядра и стандартизировать данные предиктора.

t = templateSVM('KernelFunction','gaussian','Standardize',true);

Обучите многоклассовую модель ECOC с помощью шаблона t. 

Mdl = fitcecoc(X,Y,'Learners',t);

Mdl является ClassificationECOC объект.

Создайте конфигуратор кодера

Создайте конфигуратор кодера для ClassificationECOC моделировать при помощи learnerCoderConfigurer. Задайте данные предиктора X. The learnerCoderConfigurer функция использует входную X конфигурирование атрибутов кодера predict входной параметр функции. Кроме того, установите количество выходов 2, чтобы сгенерированный код вернул первые два выхода predict функция, которые являются предсказанными метками и отрицательными средними двоичными потерями.

configurer = learnerCoderConfigurer(Mdl,X,'NumOutputs',2)
configurer = 
  ClassificationECOCCoderConfigurer with properties:

   Update Inputs:
    BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]
             Prior: [1x1 LearnerCoderInput]
              Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]

   Code Generation Parameters:
        NumOutputs: 2
    OutputFileName: 'ClassificationECOCModel'


  Properties, Methods

configurer является ClassificationECOCCoderConfigurer объект, который является конфигуратором кодера ClassificationECOC объект. На отображении показаны настраиваемые входные параметры predict и update: X, BinaryLearners, Prior, и Cost.

Задайте атрибуты параметров кодера

Задайте атрибуты кодера predict аргументы (данные предиктора и аргументы пары "имя-значение" 'Decoding' и 'BinaryLoss') и update аргументы (поддерживающие векторы учащихся SVM), чтобы можно было использовать эти аргументы в качестве входных параметров predict и update в сгенерированном коде.

Во-первых, задайте атрибуты кодера X чтобы сгенерированный код принял любое количество наблюдений. Измените SizeVector и VariableDimensions атрибуты. The SizeVector атрибут задает верхнюю границу размера данных предиктора и VariableDimensions атрибут определяет, имеет ли каждую размерность данных предиктора переменный размер или фиксированный размер. 

configurer.X.SizeVector = [Inf 4];
configurer.X.VariableDimensions = [true false];

Размер первой размерности является количеством наблюдений. В этом случае код указывает, что верхняя граница размера Inf и размер переменен, что означает, что X может иметь любое количество наблюдений. Эта спецификация удобна, если вы не знаете количество наблюдений при генерации кода.

Размер второго измерения является количеством переменных. Это значение должно быть фиксировано для модели машинного обучения. X содержит 4 предиктора, поэтому второе значение SizeVector атрибут должен быть 4, и второе значение VariableDimensions атрибут должен быть false.

Затем измените атрибуты кодера BinaryLoss и Decoding использовать 'BinaryLoss' и 'Decoding' Аргументы пары "имя-значение" в сгенерированном коде. Отображение атрибутов кодера BinaryLoss. 

configurer.BinaryLoss
ans = 
  EnumeratedInput with properties:

             Value: 'hinge'
    SelectedOption: 'Built-in'
    BuiltInOptions: {1x7 cell}
        IsConstant: 1
        Tunability: 0

Чтобы использовать значение nondefault в сгенерированном коде, необходимо задать значение перед генерацией кода. Задайте Value атрибут BinaryLoss как 'exponential'.

configurer.BinaryLoss.Value = 'exponential';
configurer.BinaryLoss
ans = 
  EnumeratedInput with properties:

             Value: 'exponential'
    SelectedOption: 'Built-in'
    BuiltInOptions: {1x7 cell}
        IsConstant: 1
        Tunability: 1

Если вы изменяете значения атрибутов при Tunability является false (логический 0), программное обеспечение устанавливает Tunability на true (логический 1).

Отображение атрибутов кодера Decoding. 

configurer.Decoding
ans = 
  EnumeratedInput with properties:

             Value: 'lossweighted'
    SelectedOption: 'Built-in'
    BuiltInOptions: {'lossweighted'  'lossbased'}
        IsConstant: 1
        Tunability: 0

Задайте IsConstant атрибут Decoding как false чтобы можно было использовать все доступные значения в BuiltInOptions в сгенерированном коде.

configurer.Decoding.IsConstant = false;
configurer.Decoding
ans = 
  EnumeratedInput with properties:

             Value: [1x1 LearnerCoderInput]
    SelectedOption: 'NonConstant'
    BuiltInOptions: {'lossweighted'  'lossbased'}
        IsConstant: 0
        Tunability: 1

Программное обеспечение изменяет Value атрибут Decoding в LearnerCoderInput объект так, что можно использовать оба 'lossweighted' и 'lossbased'как значение 'Decoding'. Кроме того, программное обеспечение устанавливает SelectedOption на 'NonConstant' и Tunability на true.

Наконец, измените атрибуты кодера SupportVectors в BinaryLearners. Отображение атрибутов кодера SupportVectors. 

configurer.BinaryLearners.SupportVectors
ans = 
  LearnerCoderInput with properties:

            SizeVector: [54 4]
    VariableDimensions: [1 0]
              DataType: 'double'
            Tunability: 1

Значение по умолчанию VariableDimensions является [true false] потому что каждый учащийся имеет разное количество векторов поддержки. Если переобучить модель ECOC с помощью новых данных или других настроек, количество поддержки векторов в учениках SVM может варьироваться. Поэтому увеличьте верхнюю границу количества поддержки векторов.

configurer.BinaryLearners.SupportVectors.SizeVector = [150 4];
SizeVector attribute for Alpha has been modified to satisfy configuration constraints.
SizeVector attribute for SupportVectorLabels has been modified to satisfy configuration constraints.

Если вы изменяете атрибуты кодера SupportVectors, затем программное обеспечение изменяет атрибуты кодера Alpha и SupportVectorLabels для удовлетворения ограничениям строения. Если изменение атрибутов кодера одного параметра требует последующих изменений других зависимых параметров, чтобы удовлетворить ограничениям строения, то программное обеспечение изменяет атрибуты кодера зависимых параметров.

Отобразите конфигуратор кодера.

configurer
configurer = 
  ClassificationECOCCoderConfigurer with properties:

   Update Inputs:
    BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]
             Prior: [1x1 LearnerCoderInput]
              Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]
        BinaryLoss: [1x1 EnumeratedInput]
          Decoding: [1x1 EnumeratedInput]

   Code Generation Parameters:
        NumOutputs: 2
    OutputFileName: 'ClassificationECOCModel'


  Properties, Methods

Теперь отображение включает BinaryLoss и Decoding также.

Сгенерируйте код

Чтобы сгенерировать код C/C + +, вы должны иметь доступ к компилятору C/C + +, который настроен правильно. MATLAB Coder находит и использует поддерживаемый, установленный компилятор. Можно использовать mex -setup чтобы просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. раздел «Изменение компилятора по умолчанию».

Сгенерируйте код для predict и update функции классификационной модели ECOC (Mdl). 

generateCode(configurer)
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationECOCModel.mat'
Code generation successful.

The generateCode функция завершает следующие действия:

  • Сгенерируйте файлы MATLAB, необходимые для генерации кода, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно.

  • Создайте MEX-функцию с именем ClassificationECOCModel для двух функций точки входа.

  • Создайте код для MEX-функции в codegen\mex\ClassificationECOCModel папка.

  • Скопируйте MEX-функцию в текущую папку.

Проверьте сгенерированный код

Передайте некоторые данные предиктора, чтобы проверить, predict ли функция Mdl и predict функция в MEX-функция возвращает те же метки. Чтобы вызвать функцию точки входа в MEX-функция, которая имеет более одной точки входа, укажите имя функции в качестве первого входного параметра. Потому что вы указали 'Decoding' как настраиваемый входной параметр путем изменения IsConstant атрибут перед генерацией кода, вы также должны задать его в вызове MEX-функции, хотя 'lossweighted' - значение по умолчанию 'Decoding'.

[label,NegLoss] = predict(Mdl,X,'BinaryLoss','exponential');
[label_mex,NegLoss_mex] = ClassificationECOCModel('predict',X,'BinaryLoss','exponential','Decoding','lossweighted');

Сравнение label на label_mex при помощи isequal.

isequal(label,label_mex)
ans = logical
   1

isequal возвращает логический 1 (true), если все входы равны. Сравнение подтверждает, что predict функция Mdl и predict функция в MEX-функция возвращает те же метки.

NegLoss_mex могут включать круглые различия по сравнению с NegLoss. В этом случае сравните NegLoss_mex на NegLoss, допускающий небольшой допуск.

find(abs(NegLoss-NegLoss_mex) > 1e-8)
ans =

  0x1 empty double column vector

Сравнение подтверждает, что NegLoss и NegLoss_mex равны в пределах допуска 1e–8.

Переобучите модель и параметры обновления в сгенерированном коде

Переобучите модель с помощью другой настройки. Задайте 'KernelScale' как 'auto' чтобы программа выбирала соответствующий масштабный коэффициент с помощью эвристической процедуры.

t_new = templateSVM('KernelFunction','gaussian','Standardize',true,'KernelScale','auto');
retrainedMdl = fitcecoc(X,Y,'Learners',t_new);

Извлечение параметров для обновления при помощи validatedUpdateInputs. Эта функция обнаруживает измененные параметры модели в retrainedMdl и подтверждает, удовлетворяют ли измененные значения параметров атрибутам кодера параметров.

params = validatedUpdateInputs(configurer,retrainedMdl);

Обновляйте параметры в сгенерированном коде.

ClassificationECOCModel('update',params)

Проверьте сгенерированный код

Сравните выходы predict функция retrainedMdl к выходам из predict функция в обновленной MEX-функции.

[label,NegLoss] = predict(retrainedMdl,X,'BinaryLoss','exponential','Decoding','lossbased');
[label_mex,NegLoss_mex] = ClassificationECOCModel('predict',X,'BinaryLoss','exponential','Decoding','lossbased');
isequal(label,label_mex)
ans = logical
   1


find(abs(NegLoss-NegLoss_mex) > 1e-8)
ans =

  0x1 empty double column vector

Сравнение подтверждает, что label и label_mex равны, и NegLoss и NegLoss_mex равны в пределах допуска.

Подробнее о

расширить все

См. также

| | | | | |

Темы

Введенный в R2019a

Statistics and Machine Learning Toolbox документация

Поддержка

Для просмотра документации необходимо авторизоваться на сайте