RegressionTreeCoderConfigurer

Конфигуратор кодера двухкомпонентной модели дерева принятия решений для регрессии

Описание

A RegressionTreeCoderConfigurer объект является конфигуратором кодера двоичной модели дерева решений для регрессии (RegressionTree или CompactRegressionTree).

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 для параметров модели дерева с помощью свойств объекта.
Сгенерируйте код C/C + + для predict и update функции модели дерева регрессии 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 регрессии, смотрите разделы Генерации кода CompactRegressionTree, predict, и update.

Создание

После настройки модели дерева регрессии при помощи fitrtree, 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 модели дерева регрессии, 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`
1 (по умолчанию) | 2

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

Выходные аргументы predict являются Yfit (предсказанные отклики) и node (номера узлов для предсказаний), 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 модели регрессионного дерева, 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.

`Children` - Атрибуты кодера дочерних узлов для каждого узла
`LearnerCoderInput` объект

Атрибуты кодера дочерних узлов для каждого узла в дереве (Children модели дерева регрессии), заданный 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 CutPoint, CutPredictorIndex, и NodeMean. 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.

`CutPoint` - Атрибуты кодера точки разреза для каждого узла
`LearnerCoderInput` объект

Атрибуты кодера точки разреза для каждого узла в дереве (CutPoint модели дерева регрессии), заданный 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, CutPredictorIndex, и NodeMean. 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 узла
`LearnerCoderInput` объект

Атрибуты кодера индекса предиктора выреза для каждого узла в дереве (CutPredictorIndex модели дерева регрессии), заданный 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, CutPoint, и NodeMean. 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.

`NodeMean` - Атрибуты кодера среднего значения отклика для каждого узла
`LearnerCoderInput` объект

Атрибуты кодера среднего значения отклика для каждого узла в дереве (NodeMean модели дерева регрессии), заданный 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, 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.

Другие опции конфигуратора

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

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

Функция объекта generateCode от RegressionTreeCoderConfigurer 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` - Входной параметр `predict`
массив ячеек `coder.PrimitiveType` объект

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

`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 carbig набор данных, который содержит данные автомобиля, и обучить модель регрессионого дерева.

load carbig
X = [Displacement Horsepower Weight];
Y = MPG;
Mdl = fitrtree(X,Y);

Mdl является RegressionTree объект.

Создайте конфигуратор кодера для RegressionTree 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 = 
  RegressionTreeCoderConfigurer with properties:

   Update Inputs:
             Children: [1x1 LearnerCoderInput]
             NodeMean: [1x1 LearnerCoderInput]
             CutPoint: [1x1 LearnerCoderInput]
    CutPredictorIndex: [1x1 LearnerCoderInput]

   Predict Inputs:
                    X: [1x1 LearnerCoderInput]

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


  Properties, Methods

configurer является RegressionTreeCoderConfigurer объект, который является конфигуратором кодера RegressionTree 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 модели дерева регрессии (Mdl) с настройками по умолчанию.

generateCode(configurer)

generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'RegressionTreeModel.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 RegressionTreeModel для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\RegressionTreeModel 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 12:43:46
[varargout{1:nargout}] = initialize('predict',X,varargin{:});
end

type update.m

function update(varargin) %#codegen
% Autogenerated by MATLAB, 23-Apr-2021 12:43:46
initialize('update',varargin{:});
end

type initialize.m

function [varargout] = initialize(command,varargin) %#codegen
% Autogenerated by MATLAB, 23-Apr-2021 12:43:46
coder.inline('always')
persistent model
if isempty(model)
    model = loadLearnerForCoder('RegressionTreeModel.mat');
end
switch(command)
    case 'update'
        % Update struct fields: Children
        %                       NodeMean
        %                       CutPoint
        %                       CutPredictorIndex
        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

Обновление параметров модели дерева регрессии в сгенерированном коде

Этот пример использует:

Открыть Live Script

Обучите регрессионное дерево 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 отклики для новых данных предиктора. Затем переобучите модель, используя весь набор данных, и обновите параметры в сгенерированном коде, не регенерируя код.

Обучите модель

Загрузите carbig набор данных и train модели дерева регрессии с использованием половины наблюдений.

load carbig
X = [Displacement Horsepower Weight];
Y = MPG;

rng('default') % For reproducibility
n = length(Y);
idxTrain = randsample(n,n/2);
XTrain = X(idxTrain,:);
YTrain = Y(idxTrain);

Mdl = fitrtree(XTrain,YTrain);

Mdl является RegressionTree объект.

Создайте конфигуратор кодера

Создайте конфигуратор кодера для RegressionTree моделировать при помощи learnerCoderConfigurer. Задайте данные предиктора XTrain. The learnerCoderConfigurer функция использует входную XTrain конфигурирование атрибутов кодера predict входной параметр функции. Кроме того, установите количество выходов 2, чтобы сгенерированный код возвращал предсказанные отклики и номера узлов для предсказаний.

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

configurer является RegressionTreeCoderConfigurer объект, который является конфигуратором кодера RegressionTree объект.

Задайте атрибуты параметров кодера

Задайте атрибуты кодера параметров модели регрессионного дерева, чтобы можно было обновить параметры в сгенерированном коде после переобучения модели.

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 3];
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 3 предиктора, значение SizeVector атрибут должен быть 3 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, CutPoint, CutPredictorIndex, или NodeMean. Затем программное обеспечение автоматически изменяет другие свойства.

Для примера установите первое значение SizeVector атрибут NodeMean свойство к Inf. Программное обеспечение изменяет SizeVector и VariableDimensions атрибуты Children, CutPoint, и CutPredictorIndex чтобы соответствовать новой верхней границе на число узлов в дереве. Кроме того, первое значение VariableDimensions атрибут NodeMean изменения в 1.

configurer.NodeMean.SizeVector = [Inf 1];

SizeVector attribute for Children has been modified to satisfy configuration constraints.
SizeVector attribute for CutPoint 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 CutPoint has been modified to satisfy configuration constraints.
VariableDimensions attribute for CutPredictorIndex has been modified to satisfy configuration constraints.

configurer.NodeMean.VariableDimensions

ans = 1x2 logical array

   1   0

Сгенерируйте код

Сгенерируйте код для predict и update функции модели дерева регрессии (Mdl).

generateCode(configurer)

generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'RegressionTreeModel.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 RegressionTreeModel для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\RegressionTreeModel 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 предсказанные отклики. Чтобы вызвать функцию точки входа в MEX-функция, которая имеет более одной точки входа, укажите имя функции в качестве первого входного параметра.

[Yfit,node] = predict(Mdl,XTrain);
[Yfit_mex,node_mex] = RegressionTreeModel('predict',XTrain);

Сравнение Yfit на Yfit_mex и node на node_mex.

max(abs(Yfit-Yfit_mex),[],'all')

ans = 0

isequal(node,node_mex)

ans = logical
   1

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

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 номера узлов.

Переобучите модель и параметры обновления в сгенерированном коде

Переобучите модель, используя весь набор данных.

retrainedMdl = fitrtree(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.

RegressionTreeModel('update',params)

Проверьте сгенерированный код

Сравните выходные аргументы из predict функция retrainedMdl и predict функция в обновленной MEX-функции.

[Yfit,node] = predict(retrainedMdl,X);
[Yfit_mex,node_mex] = RegressionTreeModel('predict',X);

max(abs(Yfit-Yfit_mex),[],'all')

ans = 0

isequal(node,node_mex)

ans = logical
   1

Сравнение подтверждает, что предсказанные отклики и номера узлов 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 задайте атрибуты кодера CutPoint свойство конфигуратора кодера configurer:

configurer.CutPoint.SizeVector = [40 1];
configurer.CutPoint.VariableDimensions = [1 0];

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.

См. также

CompactRegressionTree | learnerCoderConfigurer | predict | RegressionTree | update

Темы

Введенный в R2019b

Документация

RegressionTreeCoderConfigurer

Описание

Создание

Свойства

`predict` Аргументы

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

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

`update` Аргументы

`Children` - Атрибуты кодера дочерних узлов для каждого узла
`LearnerCoderInput` объект

`CutPoint` - Атрибуты кодера точки разреза для каждого узла
`LearnerCoderInput` объект

`CutPredictorIndex` - Атрибуты кодера индекса предиктора выреза для каждого узла
`LearnerCoderInput` объект

`NodeMean` - Атрибуты кодера среднего значения отклика для каждого узла
`LearnerCoderInput` объект

Другие опции конфигуратора

`OutputFileName` - Имя файла сгенерированного кода C/C + +
`'RegressionTreeModel'` (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` - Входной параметр `predict`
массив ячеек `coder.PrimitiveType` объект

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

Функции объекта

Примеры

Сгенерируйте код, используя Coder Configurer

Обновление параметров модели дерева регрессии в сгенерированном коде

Подробнее о

`LearnerCoderInput` Объект

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

RegressionTreeCoderConfigurer

Описание

Создание

Свойства

predict Аргументы

X - Атрибуты кодера данных предиктора LearnerCoderInput объект

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

update Аргументы

Children - Атрибуты кодера дочерних узлов для каждого узла LearnerCoderInput объект

CutPoint - Атрибуты кодера точки разреза для каждого узла LearnerCoderInput объект

CutPredictorIndex - Атрибуты кодера индекса предиктора выреза для каждого узла LearnerCoderInput объект

NodeMean - Атрибуты кодера среднего значения отклика для каждого узла LearnerCoderInput объект

Другие опции конфигуратора

OutputFileName - Имя файла сгенерированного кода C/C + + 'RegressionTreeModel' (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 - Входной параметр predict массив ячеек coder.PrimitiveType объект

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

Функции объекта

Примеры

Сгенерируйте код, используя Coder Configurer

Обновление параметров модели дерева регрессии в сгенерированном коде

Подробнее о

LearnerCoderInput Объект

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

`predict` Аргументы

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

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

`update` Аргументы

`Children` - Атрибуты кодера дочерних узлов для каждого узла
`LearnerCoderInput` объект

`CutPoint` - Атрибуты кодера точки разреза для каждого узла
`LearnerCoderInput` объект

`CutPredictorIndex` - Атрибуты кодера индекса предиктора выреза для каждого узла
`LearnerCoderInput` объект

`NodeMean` - Атрибуты кодера среднего значения отклика для каждого узла
`LearnerCoderInput` объект

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

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

`CodeGenerationArguments` — `codegen` аргументы
массив ячеек

`PredictInputs` - Входной параметр `predict`
массив ячеек `coder.PrimitiveType` объект

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

`LearnerCoderInput` Объект