Exponenta Banner

ClassificationTreeCoderConfigurer

Конфигуратор кодера двоичной модели дерева принятия решений для многоклассовой классификации

развернуть все на странице

Описание

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.

Создание

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.

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 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.

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 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 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 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 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.

Атрибуты 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.

Атрибуты 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.

Атрибуты 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.

Атрибуты 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.

Атрибуты 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.

Другие опции конфигуратора

Имя 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 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.

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

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

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 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

Этот пример использует:

Открыть Live Script

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.

Подробнее о

расширить все

См. также

| | | |

Темы

Введенный в R2019b

Statistics and Machine Learning Toolbox документация

Поддержка