Конфигуратор кодера двоичной модели дерева принятия решений для многоклассовой классификации
A ClassificationTreeCoderConfigurer
объект является конфигуратором кодера двоичной модели дерева решений для многоклассовой классификации (ClassificationTree
или CompactClassificationTree
).
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 дерева с помощью свойств объекта.
Сгенерируйте код C/C + + для predict
и update
функции древовидной 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, перенаправления и повторной проверки кода C/C + + при переобучении древовидной 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 модели дерева классификации, смотрите разделы Генерации кода CompactClassificationTree
, predict
, и update
.
После настройки модели дерева классификации при помощи fitctree
, 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.
predict
АргументыСвойства, перечисленные в этом разделе, определяют атрибуты кодера predict
аргументы функции в сгенерированном коде.
X
- Атрибуты кодера данных предиктораLearnerCoderInput
объектАтрибуты кодера данных предиктора, чтобы передать в сгенерированный код C/C + + для predict
функция древовидной модели классификации, 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
.
VariableDimensions
- Это значение [0 0]
(по умолчанию) или [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 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 трех переменных предиктора, 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
.
NumOutputs
- Количество выходов в predict
Количество выходных аргументов, возвращаемых из сгенерированного кода C/C + + для predict
функция древовидной модели классификации, заданная как 1, 2, 3 или 4.
Выходные аргументы predict
являются label
(предсказанные метки классов), score
(апостериорные вероятности), node
(номера узлов для предсказанных классов), и cnum
(номера классов предсказанных меток), в таком порядке. predict
в сгенерированном коде C/C + + возвращается первое n
выходы predict
function, где n
является NumOutputs
значение.
После создания конфигуратора кодера configurer
можно 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 модели дерева классификации, 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
АргументыСвойства, 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
.
Children
- Атрибуты кодера дочерних узлов для каждого узлаLearnerCoderInput
объектАтрибуты кодера дочерних узлов для каждого узла в дереве (Children
модели дерева классификации), заданная как LearnerCoderInput
объект.
Значения атрибутов по умолчанию LearnerCoderInput
Объекты основаны на входном параметре Mdl
из learnerCoderConfigurer
:
SizeVector
- Значение по умолчанию [nd 2]
, где nd
является ли число узлов в Mdl
.
VariableDimensions
- Это значение [0 0]
(по умолчанию) или [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
- Это значение должно быть true
.
Если вы измените первую размерность SizeVector
чтобы быть newnd
, затем программное обеспечение изменяет первую размерность SizeVector
атрибут, который будет newnd
для свойств ClassProbability
, CutPoint
, и CutPredictorIndex
. Точно так же, если вы измените первую размерность VariableDimensions
чтобы быть 1
, затем программное обеспечение изменяет первую размерность VariableDimensions
атрибут, который будет 1
для этих свойств.
ClassProbability
- Атрибуты кодера вероятностей классов для каждого узлаLearnerCoderInput
объектАтрибуты кодера вероятностей классов для каждого узла в дереве (ClassProbability
модели дерева классификации), заданная как LearnerCoderInput
объект.
Значения атрибутов по умолчанию LearnerCoderInput
Объекты основаны на входном параметре Mdl
из learnerCoderConfigurer
:
SizeVector
- Значение по умолчанию [nd c]
, где nd
является ли число узлов в Mdl
и c
количество классов.
VariableDimensions
- Это значение [0 0]
(по умолчанию) или [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
- Это значение должно быть true
.
Если вы измените первую размерность SizeVector
чтобы быть newnd
, затем программное обеспечение изменяет первую размерность SizeVector
атрибут, который будет newnd
для свойств Children
, CutPoint
, и CutPredictorIndex
. Точно так же, если вы измените первую размерность VariableDimensions
чтобы быть 1
, затем программное обеспечение изменяет первую размерность VariableDimensions
атрибут, который будет 1
для этих свойств.
Cost
- Атрибуты кодера затрат на неправильную классификациюLearnerCoderInput
объектАтрибуты кодера затрат на неправильную классификацию (Cost
модели дерева классификации), заданная 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
.
CutPoint
- Атрибуты кодера точки разреза для каждого узлаLearnerCoderInput
объектАтрибуты кодера точки разреза для каждого узла в дереве (CutPoint
модели дерева классификации), заданная как LearnerCoderInput
объект.
Значения атрибутов по умолчанию LearnerCoderInput
Объекты основаны на входном параметре Mdl
из learnerCoderConfigurer
:
SizeVector
- Значение по умолчанию [nd 1]
, где nd
является ли число узлов в Mdl
.
VariableDimensions
- Это значение [0 0]
(по умолчанию) или [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
- Это значение должно быть true
.
Если вы измените первую размерность SizeVector
чтобы быть newnd
, затем программное обеспечение изменяет первую размерность SizeVector
атрибут, который будет newnd
для свойств Children
, ClassProbability
, и CutPredictorIndex
. Точно так же, если вы измените первую размерность VariableDimensions
чтобы быть 1
, затем программное обеспечение изменяет первую размерность VariableDimensions
атрибут, который будет 1
для этих свойств.
CutPredictorIndex
- Атрибуты кодера индекса предиктора выреза для каждого узлаLearnerCoderInput
объектАтрибуты кодера индекса предиктора выреза для каждого узла в дереве (CutPredictorIndex
модели дерева классификации), заданная как LearnerCoderInput
объект.
Значения атрибутов по умолчанию LearnerCoderInput
Объекты основаны на входном параметре Mdl
из learnerCoderConfigurer
:
SizeVector
- Значение по умолчанию [nd 1]
, где nd
является ли число узлов в Mdl
.
VariableDimensions
- Это значение [0 0]
(по умолчанию) или [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
- Это значение должно быть true
.
Если вы измените первую размерность SizeVector
чтобы быть newnd
, затем программное обеспечение изменяет первую размерность SizeVector
атрибут, который будет newnd
для свойств Children
, ClassProbability
, и CutPoint
. Точно так же, если вы измените первую размерность VariableDimensions
чтобы быть 1
, затем программное обеспечение изменяет первую размерность VariableDimensions
атрибут, который будет 1
для этих свойств.
Prior
- Атрибуты кодера априорных вероятностейLearnerCoderInput
объектАтрибуты кодера априорных вероятностей (Prior
модели дерева классификации), заданная 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
.
OutputFileName
- Имя файла сгенерированного кода C/C + +'ClassificationTreeModel'
(по умолчанию) | вектор символовИмя файла сгенерированного кода C/C + +, заданное как вектор символов.
Функция объекта generateCode
от ClassificationTreeCoderConfigurer
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 configurer
имя файла можно задать с помощью записи через точку.
configurer.OutputFileName = 'myModel';
Типы данных: char
Verbose
- Уровень подробностейtrue
(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 configurer
можно изменить уровень подробностей при помощи записи через точку.
configurer.Verbose = false;
Типы данных: logical
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
аргументыЭто 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{:})
cgArgs
соответственно перед вызовом codegen
.
Если вы изменяете другие свойства configurer
программное обеспечение обновляет CodeGenerationArguments
соответственно.
Типы данных: cell
PredictInputs
- Входной параметр predict
coder.PrimitiveType
объектЭто свойство доступно только для чтения.
Входной параметр функции точки входа predict.m
для генерации кода, заданной как массив ячеек coder.PrimitiveType
(MATLAB Coder) объект. The coder.PrimitiveType
объект включает атрибуты кодера данных предиктора, хранящихся в X
свойство.
Если вы изменяете атрибуты кодера данных предиктора, то программное обеспечение обновляет coder.PrimitiveType
объект соответственно.
The coder.PrimitiveType
объект в PredictInputs
эквивалентно configurer.CodeGenerationArguments{6}
для конфигуратора кодера configurer
.
Типы данных: cell
UpdateInputs
- Список настраиваемых входных параметров update
coder.PrimitiveType
объектыЭто 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
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 |
Обучите модель машинного обучения, а затем сгенерируйте код для predict
и update
функций модели при помощи конфигуратора кодера.
Загрузите fisheriris
набор данных, который содержит данные о цветах, и обучает модель дерева решений.
load fisheriris
X = meas;
Y = species;
Mdl = fitctree(X,Y);
Mdl
является ClassificationTree
объект.
Создайте конфигуратор кодера для ClassificationTree
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 = ClassificationTreeCoderConfigurer with properties: Update Inputs: Children: [1x1 LearnerCoderInput] ClassProbability: [1x1 LearnerCoderInput] CutPoint: [1x1 LearnerCoderInput] CutPredictorIndex: [1x1 LearnerCoderInput] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput] Predict Inputs: X: [1x1 LearnerCoderInput] Code Generation Parameters: NumOutputs: 1 OutputFileName: 'ClassificationTreeModel' Properties, Methods
configurer
является ClassificationTreeCoderConfigurer
объект, который является конфигуратором кодера ClassificationTree
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 древовидной модели классификации (Mdl
) с настройками по умолчанию.
generateCode(configurer)
generateCode creates these files in output folder: 'initialize.m', 'predict.m', 'update.m', 'ClassificationTreeModel.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 ClassificationTreeModel
для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\ClassificationTreeModel
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 12:42:30 [varargout{1:nargout}] = initialize('predict',X,varargin{:}); end
type update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 23-Apr-2021 12:42:30 initialize('update',varargin{:}); end
type initialize.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 23-Apr-2021 12:42:30 coder.inline('always') persistent model if isempty(model) model = loadLearnerForCoder('ClassificationTreeModel.mat'); end switch(command) case 'update' % Update struct fields: Children % ClassProbability % CutPoint % CutPredictorIndex % 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
Обучите дерево решений для многоклассовой классификации с помощью частичного набора данных и создайте конфигуратор кодера для модели. Используйте свойства конфигуратора кодера, чтобы задать атрибуты кодера параметров 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 fisheriris
набор данных, который содержит данные о цветах. Этот набор данных имеет четыре предиктора: длина чашелистика, ширина чашелистика, длина лепестка и ширина лепестка цветков. Переменная отклика содержит имена видов цветов: setosa, versicolor и virginica. Обучите модель классификационного дерева, используя половину наблюдений.
load fisheriris X = meas; Y = species; rng('default') % For reproducibility n = length(Y); c = cvpartition(Y,'HoldOut',0.5); idxTrain = training(c,1); XTrain = X(idxTrain,:); YTrain = Y(idxTrain); Mdl = fitctree(XTrain,YTrain);
Mdl
является ClassificationTree
объект.
Создайте конфигуратор кодера
Создайте конфигуратор кодера для ClassificationTree
моделировать при помощи learnerCoderConfigurer
. Задайте данные предиктора. The learnerCoderConfigurer
функция использует входную XTrain
конфигурирование атрибутов кодера predict
входной параметр функции. Кроме того, установите количество выходов 4, чтобы сгенерированный код возвращал предсказанные метки, счета, номера узлов и номера классов.
configurer = learnerCoderConfigurer(Mdl,XTrain,'NumOutputs',4);
configurer
является ClassificationTreeCoderConfigurer
объект, который является конфигуратором кодера ClassificationTree
объект.
Задайте атрибуты параметров кодера
Задайте атрибуты кодера параметров модели дерева классификации, чтобы можно было обновить параметры в сгенерированном коде после переобучения модели.
Во-первых, 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 = [Inf 4]; configurer.X.VariableDimensions
ans = 1x2 logical array
1 0
Размер первой размерности 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.
Размер второго измерения является количеством переменных. Это значение должно быть фиксировано для модели машинного обучения. Поскольку данные предиктора содержат 4 предиктора, значение SizeVector
атрибут должен быть 4
и значение VariableDimensions
атрибут должен быть 0
.
Если переобучить древовидную модель с помощью новых данных или других настроек, число узлов в дереве может варьироваться. Поэтому задайте первую размерность SizeVector
атрибут одного из следующих свойств, чтобы можно было обновить число узлов в сгенерированном коде: Children
, ClassProbability
, CutPoint
, или CutPredictorIndex
. Затем программное обеспечение автоматически изменяет другие свойства.
Для примера установите первое значение SizeVector
атрибут CutPoint
свойство к Inf
. Программное обеспечение изменяет SizeVector
и VariableDimensions
атрибуты Children
, ClassProbability
, и CutPredictorIndex
чтобы соответствовать новой верхней границе на число узлов в дереве. Кроме того, первое значение VariableDimensions
атрибут CutPoint
изменения в 1
.
configurer.CutPoint.SizeVector = [Inf 1];
SizeVector attribute for Children has been modified to satisfy configuration constraints. SizeVector attribute for CutPredictorIndex has been modified to satisfy configuration constraints. VariableDimensions attribute for Children has been modified to satisfy configuration constraints. VariableDimensions attribute for CutPredictorIndex has been modified to satisfy configuration constraints. SizeVector attribute for ClassProbability has been modified to satisfy configuration constraints. VariableDimensions attribute for ClassProbability has been modified to satisfy configuration constraints.
configurer.CutPoint.VariableDimensions
ans = 1x2 logical array
1 0
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 древовидной модели классификации (Mdl
).
generateCode(configurer)
generateCode creates these files in output folder: 'initialize.m', 'predict.m', 'update.m', 'ClassificationTreeModel.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 ClassificationTreeModel
для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\ClassificationTreeModel
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 выходные аргументы. Чтобы вызвать функцию точки входа в MEX-функция, которая имеет более одной точки входа, укажите имя функции в качестве первого входного параметра.
[label,score,node,cnum] = predict(Mdl,XTrain);
[label_mex,score_mex,node_mex,cnum_mex] = ClassificationTreeModel('predict',XTrain);
Сравнение label
и label_mex
при помощи isequal
. Аналогично сравните node
на node_mex
и cnum
на cnum_mex
.
isequal(label,label_mex)
ans = logical
1
isequal(node,node_mex)
ans = logical
1
isequal(cnum,cnum_mex)
ans = logical
1
isequal
возвращает логический 1 (true
), если все входные параметры равны. Сравнение подтверждает, что predict
функция Mdl
и predict
функция в MEX-функция возвращает те же метки, номера узлов и номера классов.
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 = fitctree(X,Y);
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.
ClassificationTreeModel('update',params)
Проверьте сгенерированный код
Сравните выходные аргументы из predict
функция retrainedMdl
и predict
функция в обновленной MEX-функции.
[label,score,node,cnum] = predict(retrainedMdl,X);
[label_mex,score_mex,node_mex,cnum_mex] = ClassificationTreeModel('predict',X);
isequal(label,label_mex)
ans = logical
1
isequal(node,node_mex)
ans = logical
1
isequal(cnum,cnum_mex)
ans = logical
1
max(abs(score-score_mex),[],'all')
ans = 0
Сравнение подтверждает, что метки, номера узлов, номера классов и счетов равны.
LearnerCoderInput
ОбъектКонфигуратор 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 Верхняя граница размера массива, если соответствующий |
VariableDimensions | Индикатор, определяющий, имеет ли каждую размерность массива переменный или фиксированный размер, заданный как
|
DataType | Тип данных массива |
Tunability | Индикатор, определяющий, есть или нет
Если вы задаете другие значения атрибутов при |
После создания конфигуратора кодера можно изменить атрибуты кодера с помощью записи через точку. Для примера задайте атрибуты кодера CutPoint
свойство конфигуратора кодера configurer
:
configurer.CutPoint.SizeVector = [20 1]; configurer.CutPoint.VariableDimensions = [1 0];
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.ClassificationTree
| CompactClassificationTree
| learnerCoderConfigurer
| predict
| update
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.