ClassificationLinearCoderConfigurer

Конфигуратор кодера для линейной двоичной классификации высоко-размерных данных

Описание

A ClassificationLinearCoderConfigurer объект является конфигуратором кодера линейной классификационной модели (ClassificationLinear) используется для двоичной классификации высоко-размерных данных.

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 линейной модели при помощи свойств объекта.
Сгенерируйте код C/C + + для predict и update функции линейной модели классификации 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, переделывания и повторной проверки кода C/C + + при переобучении линейной 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 линейной модели классификации смотрите разделы Генерации кода ClassificationLinear, predict, и update.

Создание

После настройки линейной классификационной модели при помощи fitclinear, 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.

`X` - Атрибуты кодера данных предиктора
`LearnerCoderInput` объект

Атрибуты кодера данных предиктора, чтобы передать в сгенерированный код C/C + + для predict функция линейной классификационной модели, 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 ClassificationLinearCoderConfigurer 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 ClassificationLinearCoderConfigurer 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 ClassificationLinearCoderConfigurer 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.

`ObservationsIn` - Атрибуты кодера размерности наблюдения данных предиктора
`EnumeratedInput` объект

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'.
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.

`NumOutputs` - Количество выходов в `predict`
1 (по умолчанию) | 2

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

Выходные аргументы predict являются Label (предсказанные метки классов) и Score (классификационные оценки), в том порядке. 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 линейной классификационной модели, 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.

`Beta` - Атрибуты кодера линейных коэффициентов предиктора
`LearnerCoderInput` объект

Атрибуты кодера линейных коэффициентов предиктора (Beta линейной классификационной модели), заданной как LearnerCoderInput объект.

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

SizeVector - Это значение должно быть [p 1], где p количество предикторов в Mdl.
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 - Это значение должно быть true.

`Bias` - Атрибуты кодера термина смещения
`LearnerCoderInput` объект

Атрибуты кодера термина смещения (Bias линейной классификационной модели), заданной как LearnerCoderInput объект.

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

SizeVector - Это значение должно быть [1 1].
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 - Это значение должно быть true.

`Cost` - Атрибуты кодера затрат на неправильную классификацию
`LearnerCoderInput` объект

Атрибуты кодера затрат на неправильную классификацию (Cost линейной классификационной модели), заданной как LearnerCoderInput объект.

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

SizeVector - Это значение должно быть [2 2].
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.

`Prior` - Атрибуты кодера априорных вероятностей
`LearnerCoderInput` объект

Атрибуты кодера априорных вероятностей (Prior линейной классификационной модели), заданной как LearnerCoderInput объект.

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

SizeVector - Это значение должно быть [1 2].
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

`OutputFileName` - Имя файла сгенерированного кода C/C + +
`'ClassificationLinearModel'` (по умолчанию) | вектор символов

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

Функция объекта generateCode от ClassificationLinearCoderConfigurer 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

`Verbose` - Уровень подробностей
`true` (логический 1) (по умолчанию) | `false` (логический 0)

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

Значение	Описание
`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.

`CodeGenerationArguments` — `codegen` аргументы
массив ячеек

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

`PredictInputs` - Список настраиваемых входных параметров `predict`
массив ячеек

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

`UpdateInputs` - Список настраиваемых входных параметров `update`
массив ячеек структуры, включающий `coder.PrimitiveType` объекты

Это свойство доступно только для чтения.

Список настраиваемых входных параметров функции точки входа update.m для генерации кода, заданной как массив ячеек структуры, включающий coder.PrimitiveType (MATLAB Coder) объекты. Каждый coder.PrimitiveType объект включает атрибуты кодера настраиваемого параметра модели машинного обучения.

Если вы изменяете атрибуты кодера параметра модели с помощью свойств конфигуратора кодера (update Свойства аргументов), затем программное обеспечение обновляет соответствующий coder.PrimitiveType объект соответственно. Если вы задаете Tunability атрибут параметра модели машинного обучения как false, затем программное обеспечение удаляет соответствующие coder.PrimitiveType объект из UpdateInputs список.

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

Типы данных: cell

Функции объекта

`generateCode`	Сгенерируйте код C/C + + с помощью конфигуратора кодера
`generateFiles`	Сгенерируйте файлы MATLAB для генерации кода с помощью конфигуратора кодера
`validatedUpdateInputs`	Валидация и экстракция параметров модели машинного обучения для обновления

Примеры

свернуть все

Сгенерируйте код, используя Coder Configurer

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 ionosphere набор данных и train двоичной линейной модели классификации. Передайте транспонированную матрицу предиктора Xnew на fitclinear, и использовать 'ObservationsIn' аргумент пары "имя-значение", чтобы указать, что столбцы Xnew соответствуют наблюдениям.

load ionosphere
Xnew = X';
Mdl = fitclinear(Xnew,Y,'ObservationsIn','columns');

Mdl является ClassificationLinear объект.

Создайте конфигуратор кодера для ClassificationLinear моделировать при помощи learnerCoderConfigurer. Задайте данные предиктора Xnew, и использовать 'ObservationsIn' Аргумент пары "имя-значение", чтобы задать размерность наблюдения Xnew. The learnerCoderConfigurer функция использует эти входные параметры, чтобы сконфигурировать атрибуты кодера соответствующих входных параметров predict.

configurer = learnerCoderConfigurer(Mdl,Xnew,'ObservationsIn','columns')

configurer = 
  ClassificationLinearCoderConfigurer with properties:

   Update Inputs:
              Beta: [1x1 LearnerCoderInput]
              Bias: [1x1 LearnerCoderInput]
             Prior: [1x1 LearnerCoderInput]
              Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]
    ObservationsIn: [1x1 EnumeratedInput]

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


  Properties, Methods

configurer является ClassificationLinearCoderConfigurer объект, который является конфигуратором кодера ClassificationLinear 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 линейной классификационной модели (Mdl).

generateCode(configurer)

generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationLinearModel.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 ClassificationLinearModel для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\ClassificationLinearModel 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 12:42:11
[varargout{1:nargout}] = initialize('predict',X,varargin{:});
end

type update.m

function update(varargin) %#codegen
% Autogenerated by MATLAB, 23-Apr-2021 12:42:11
initialize('update',varargin{:});
end

type initialize.m

function [varargout] = initialize(command,varargin) %#codegen
% Autogenerated by MATLAB, 23-Apr-2021 12:42:11
coder.inline('always')
persistent model
if isempty(model)
    model = loadLearnerForCoder('ClassificationLinearModel.mat');
end
switch(command)
    case 'update'
        % Update struct fields: Beta
        %                       Bias
        %                       Prior
        %                       Cost
        model = update(model,varargin{:});
    case 'predict'
        % Predict Inputs: X, ObservationsIn
        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

Обновление параметров линейной классификационной модели в сгенерированном коде

Этот пример использует:

Открыть Live Script

Обучите линейную модель классификации с помощью частичного набора данных и создайте конфигуратор кодера для модели. Используйте свойства конфигуратора кодера, чтобы задать атрибуты кодера параметров линейной модели. Используйте функцию объекта конфигуратора кодера, чтобы сгенерировать код С, который предсказывает метки для новых данных предиктора. Затем переобучите модель, используя весь набор данных, и обновите параметры в сгенерированном коде, не регенерируя код.

Обучите модель

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный ответ для радиолокационных возвратов, либо плохо ('b') или хорошо ('g'). Обучите двоичную линейную модель классификации, используя половину наблюдений. Транспонируйте данные предиктора и используйте 'ObservationsIn' аргумент пары "имя-значение", чтобы указать, что столбцы XTrain соответствуют наблюдениям.

load ionosphere

rng('default') % For reproducibility
n = length(Y);
c = cvpartition(Y,'HoldOut',0.5);
idxTrain = training(c,1);
XTrain = X(idxTrain,:)';
YTrain = Y(idxTrain);

Mdl = fitclinear(XTrain,YTrain,'ObservationsIn','columns');

Mdl является ClassificationLinear объект.

Создайте конфигуратор кодера

Создайте конфигуратор кодера для ClassificationLinear моделировать при помощи learnerCoderConfigurer. Задайте данные предиктора XTrain, и использовать 'ObservationsIn' Аргумент пары "имя-значение", чтобы задать размерность наблюдения XTrain. The learnerCoderConfigurer функция использует эти входные параметры, чтобы сконфигурировать атрибуты кодера соответствующих входных параметров predict. Кроме того, установите количество выходов 2, чтобы сгенерированный код возвращал предсказанные метки и счета.

configurer = learnerCoderConfigurer(Mdl,XTrain,'ObservationsIn','columns','NumOutputs',2);

configurer является ClassificationLinearCoderConfigurer объект, который является конфигуратором кодера ClassificationLinear объект.

Задайте атрибуты параметров кодера

Задайте атрибуты кодера параметров модели линейной классификации, чтобы можно было обновить параметры в сгенерированном коде после переобучения модели. Этот пример задает атрибуты кодера данных предиктора, которые вы хотите передать сгенерированному коду.

Задайте атрибуты кодера X свойство configurer 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 = [34 Inf];
configurer.X.VariableDimensions

ans = 1x2 logical array

   0   1

Размер первой размерности является количеством переменных. Это значение должно быть фиксировано для модели машинного обучения. Поскольку данные предиктора содержат 34 предиктора, значение SizeVector атрибут должен быть 34, и значение VariableDimensions атрибут должен быть 0.

Размер второго измерения является количеством наблюдений. Установка значения SizeVector атрибут к Inf заставляет программное обеспечение изменять значение VariableDimensions атрибут к 1. Другими словами, верхняя граница размера Inf и размер переменен, что означает, что данные предиктора могут иметь любое количество наблюдений. Эта спецификация удобна, если вы не знаете количество наблюдений при генерации кода.

Порядок размерностей в SizeVector и VariableDimensions зависит от атрибутов кодера ObservationsIn.

configurer.ObservationsIn

ans = 
  EnumeratedInput with properties:

             Value: 'columns'
    SelectedOption: 'Built-in'
    BuiltInOptions: {'rows'  'columns'}
        IsConstant: 1
        Tunability: 1

Когда Value атрибут ObservationsIn свойство 'columns', первая размерность SizeVector и VariableDimensions атрибуты X соответствует количеству предикторов, а второе измерение соответствует количеству наблюдений. Когда Value атрибут ObservationsIn является 'rows', порядок размерностей переключен.

Сгенерируйте код

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

generateCode(configurer)

generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationLinearModel.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 ClassificationLinearModel для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\ClassificationLinearModel 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.

[label,score] = predict(Mdl,XTrain,'ObservationsIn','columns');
[label_mex,score_mex] = ClassificationLinearModel('predict',XTrain,'ObservationsIn','columns');

Сравнение label и 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.

Сравнение score и score_mex.

max(abs(score-score_mex),[],'all')

ans = 0

В целом, score_mex могут включать круглые различия по сравнению с score. В этом случае сравнение подтверждает, что score и score_mex равны.

Переобучите модель и параметры обновления в сгенерированном коде

Переобучите модель, используя весь набор данных.

retrainedMdl = fitclinear(X',Y,'ObservationsIn','columns');

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.

ClassificationLinearModel('update',params)

Проверьте сгенерированный код

Сравните выходы predict функция retrainedMdl и predict функция в обновленной MEX-функции.

[label,score] = predict(retrainedMdl,X','ObservationsIn','columns');
[label_mex,score_mex] = ClassificationLinearModel('predict',X','ObservationsIn','columns');
isequal(label,label_mex)

ans = logical
   1

max(abs(score-score_mex),[],'all')

ans = 0

Сравнение подтверждает, что label и label_mex равны, и что значения баллов равны.

Подробнее о

расширить все

`LearnerCoderInput` Объект

Конфигуратор кодера использует LearnerCoderInput объект, чтобы задать атрибуты кодера predict и update входные параметры.

A LearnerCoderInput объект имеет следующие атрибуты, чтобы задать свойства массива входных параметров в сгенерированном коде.

Имя атрибута	Описание
`SizeVector`	Размер массива, если соответствующий `VariableDimensions` значение `false`. Верхняя граница размера массива, если соответствующий `VariableDimensions` значение `true`. Чтобы разрешить неограниченный массив, задайте границу следующим `Inf`.
`VariableDimensions`	Индикатор, определяющий, имеет ли каждую размерность массива переменный или фиксированный размер, заданный как `true` (логический 1) или `false` (логический 0): Значение `true` (логический 1) означает, что соответствующая размерность имеет переменный размер. Значение `false` (логический 0) означает, что соответствующая размерность имеет фиксированный размер.
`DataType`	Тип данных массива
`Tunability`	Индикатор, определяющий, есть или нет `predict` или `update` включает аргумент как вход в сгенерированный код, заданный как `true` (логический 1) или `false` (логический 0). Если вы задаете другие значения атрибутов при `Tunability` является `false`, программное обеспечение устанавливает `Tunability` на `true`.

После создания конфигуратора кодера можно изменить атрибуты кодера с помощью записи через точку. Для примера укажите тип данных термина смещения Bias конфигуратора кодера configurer:

configurer.Bias.DataType = 'single';

Если вы задаете уровень подробностей (Verbose) как true (по умолчанию), затем программное обеспечение отображает уведомления, когда вы изменяете атрибуты кодера параметра модели машинного обучения, и изменение изменяет атрибуты кодера других зависимых параметров.

`EnumeratedInput` Объект

Конфигуратор кодера использует EnumeratedInput объект, чтобы задать атрибуты кодера predict входные параметры, которые имеют конечный набор доступных значений.

Система координат EnumeratedInput объект имеет следующие атрибуты, чтобы задать свойства массива входных параметров в сгенерированном коде.

Имя атрибута	Описание
`Value`	Значение `predict` аргумент в сгенерированном коде, заданный как вектор символов или `LearnerCoderInput` объект. Вектор символов в `BuiltInOptions` - Можно задать одно из `BuiltInOptions` использование имени опции или ее значения индекса. Для примера, чтобы выбрать первую опцию, задайте `Value` как первый вектор символов в `BuiltInOptions` или `1`. Вектор символов, обозначающий пользовательское имя функции - Чтобы использовать пользовательскую опцию, задайте пользовательскую функцию на путь поиска файлов MATLAB и задайте `Value` как имя пользовательской функции. `LearnerCoderInput` объект - Если вы задаете `IsConstant` на `false` (логический 0), затем программное обеспечение изменяется `Value` в `LearnerCoderInput` объект со следующими значениями атрибутов кодера только для чтения. Эти значения указывают, что вход в сгенерированный код является настраиваемым вектором символов переменного размера, который является одним из доступных значений в `BuiltInOptions`. `SizeVector` — `[1 c]`, что указывает верхнюю границу размера массива, где `c` - длина самого длинного доступного вектора символов в `Option` `VariableDimensions` — `[0 1]`, что указывает на то, что массив является вектором переменного размера `DataType` — `'char'` `Tunability` — 1 Значение по умолчанию `Value` согласуется со значением по умолчанию соответствующего `predict` аргумент, который является одним из векторов символов в `BuiltInOptions`.
`SelectedOption`	Состояние выбранной опции, заданное как `'Built-in'`, `'Custom'`, или `'NonConstant'`. Программное обеспечение устанавливает `SelectedOption` согласно `Value`: `'Built-in'`(по умолчанию) - Когда `Value` является одним из векторов символов в `BuiltInOptions` `'Custom'` - Когда `Value` является вектор символов, которая не находится в `BuiltInOptions` `'NonConstant'` - Когда `Value` является `LearnerCoderInput` объект Этот атрибут доступен только для чтения.
`BuiltInOptions`	Список доступных векторов символов для соответствующих `predict` аргумент, заданный как массив ячеек. Этот атрибут доступен только для чтения.
`IsConstant`	Индикатор, определяющий, является ли значение массива константой времени компиляции (`coder.Constant` (MATLAB Coder)) в сгенерированном коде, заданном как `true` (логический 1, по умолчанию) или `false` (логический 0). Если вы задаете это значение `false`, затем изменяется программное обеспечение `Value` в `LearnerCoderInput` объект.
`Tunability`	Индикатор, определяющий, есть или нет `predict` включает аргумент как вход в сгенерированный код, заданный как `true` (логический 1) или `false` (логический 0, по умолчанию). Если вы задаете другие значения атрибутов при `Tunability` является `false`, программное обеспечение устанавливает `Tunability` на `true`.

После создания конфигуратора кодера можно изменить атрибуты кодера с помощью записи через точку. Для примера задайте атрибуты кодера ObservationsIn конфигуратора кодера configurer:

configurer.ObservationsIn.Value = 'columns';

См. также

ClassificationECOCCoderConfigurer | ClassificationLinear | learnerCoderConfigurer | predict | update

Темы

Введенный в R2019b

Документация

ClassificationLinearCoderConfigurer

Описание

Создание

Свойства

`predict` Аргументы

`X` - Атрибуты кодера данных предиктора
`LearnerCoderInput` объект

`ObservationsIn` - Атрибуты кодера размерности наблюдения данных предиктора
`EnumeratedInput` объект

`NumOutputs` - Количество выходов в `predict`
1 (по умолчанию) | 2

`update` Аргументы

`Beta` - Атрибуты кодера линейных коэффициентов предиктора
`LearnerCoderInput` объект

`Bias` - Атрибуты кодера термина смещения
`LearnerCoderInput` объект

`Cost` - Атрибуты кодера затрат на неправильную классификацию
`LearnerCoderInput` объект

`Prior` - Атрибуты кодера априорных вероятностей
`LearnerCoderInput` объект

Другие опции конфигуратора

`OutputFileName` - Имя файла сгенерированного кода C/C + +
`'ClassificationLinearModel'` (по умолчанию) | вектор символов

`Verbose` - Уровень подробностей
`true` (логический 1) (по умолчанию) | `false` (логический 0)

Опции для индивидуальной настройки генерации кода

`CodeGenerationArguments` — `codegen` аргументы
массив ячеек

`PredictInputs` - Список настраиваемых входных параметров `predict`
массив ячеек

`UpdateInputs` - Список настраиваемых входных параметров `update`
массив ячеек структуры, включающий `coder.PrimitiveType` объекты

Функции объекта

Примеры

Сгенерируйте код, используя Coder Configurer

Обновление параметров линейной классификационной модели в сгенерированном коде

Подробнее о

`LearnerCoderInput` Объект

`EnumeratedInput` Объект

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

ClassificationLinearCoderConfigurer

Описание

Создание

Свойства

predict Аргументы

X - Атрибуты кодера данных предиктора LearnerCoderInput объект

ObservationsIn - Атрибуты кодера размерности наблюдения данных предиктора EnumeratedInput объект

NumOutputs - Количество выходов в predict 1 (по умолчанию) | 2

update Аргументы

Beta - Атрибуты кодера линейных коэффициентов предиктора LearnerCoderInput объект

Bias - Атрибуты кодера термина смещения LearnerCoderInput объект

Cost - Атрибуты кодера затрат на неправильную классификацию LearnerCoderInput объект

Prior - Атрибуты кодера априорных вероятностей LearnerCoderInput объект

Другие опции конфигуратора

OutputFileName - Имя файла сгенерированного кода C/C + + 'ClassificationLinearModel' (по умолчанию) | вектор символов

Verbose - Уровень подробностей true (логический 1) (по умолчанию) | false (логический 0)

Опции для индивидуальной настройки генерации кода

CodeGenerationArguments — codegen аргументы массив ячеек

PredictInputs - Список настраиваемых входных параметров predict массив ячеек

UpdateInputs - Список настраиваемых входных параметров update массив ячеек структуры, включающий coder.PrimitiveType объекты

Функции объекта

Примеры

Сгенерируйте код, используя Coder Configurer

Обновление параметров линейной классификационной модели в сгенерированном коде

Подробнее о

LearnerCoderInput Объект

EnumeratedInput Объект

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

`predict` Аргументы

`X` - Атрибуты кодера данных предиктора
`LearnerCoderInput` объект

`ObservationsIn` - Атрибуты кодера размерности наблюдения данных предиктора
`EnumeratedInput` объект

`NumOutputs` - Количество выходов в `predict`
1 (по умолчанию) | 2

`update` Аргументы

`Beta` - Атрибуты кодера линейных коэффициентов предиктора
`LearnerCoderInput` объект

`Bias` - Атрибуты кодера термина смещения
`LearnerCoderInput` объект

`Cost` - Атрибуты кодера затрат на неправильную классификацию
`LearnerCoderInput` объект

`Prior` - Атрибуты кодера априорных вероятностей
`LearnerCoderInput` объект

`OutputFileName` - Имя файла сгенерированного кода C/C + +
`'ClassificationLinearModel'` (по умолчанию) | вектор символов

`Verbose` - Уровень подробностей
`true` (логический 1) (по умолчанию) | `false` (логический 0)

`CodeGenerationArguments` — `codegen` аргументы
массив ячеек

`PredictInputs` - Список настраиваемых входных параметров `predict`
массив ячеек

`UpdateInputs` - Список настраиваемых входных параметров `update`
массив ячеек структуры, включающий `coder.PrimitiveType` объекты

`LearnerCoderInput` Объект

`EnumeratedInput` Объект