Симулируйте отклики со случайным шумом для обобщенной линейной регрессионой модели
задает дополнительные опции, используя один или несколько аргументы пары "имя-значение". Для примера можно задать количество испытаний для биномиального распределения или значение смещения, используемое для подбора кривой.ysim
= random(mdl
,Xnew
,Name,Value
)
Создайте обобщенную модель линейной регрессии и симулируйте ее ответ со случайным шумом на новые данные.
Сгенерируйте выборочные данные с помощью случайных чисел Пуассона с одним базовым предиктором X
.
rng('default') % For reproducibility X = rand(20,1); mu = exp(1 + 2*X); y = poissrnd(mu);
Создайте обобщенную линейную регрессионую модель данных Пуассона.
mdl = fitglm(X,y,'y ~ x1','Distribution','poisson');
Создайте точки данных для предсказания.
Xnew = (0:.05:1)';
Моделируйте отклики со случайным шумом в точках данных.
ysim = random(mdl,Xnew);
Постройте график моделируемых значений и исходных значений.
plot(X,y,'rx',Xnew,ysim,'bo',Xnew,feval(mdl,Xnew),'g-') legend('Data','Simulated Response with Noise','Predicted Response', ... 'Location','best')
Подгонка обобщенной линейной регрессионой модели, а затем сохранение модели при помощи saveLearnerForCoder
. Задайте функцию точки входа, которая загружает модель при помощи loadLearnerForCoder
и вызывает predict
функция подобранной модели. Затем используйте codegen
(MATLAB Coder) для генерации кода C/C + +. Обратите внимание, что для генерации кода C/C + + требуется Coder™ MATLAB ®.
Этот пример кратко объясняет рабочий процесс генерации кода для предсказания линейных регрессионых моделей в командной строке. Для получения дополнительной информации смотрите Генерацию кода для Предсказания Модели Машинного Обучения в Командной Строке. Вы также можете сгенерировать код с помощью приложения MATLAB Coder. Для получения дополнительной информации смотрите Генерацию кода для Предсказания Машинного обучения Модели Использование приложения MATLAB Coder.
Обучите модель
Сгенерируйте выборочные данные предиктора x
и ответные y
со следующими распределениями:
.
и .
.
rng('default') % For reproducibility x = 1 + randn(100,1)*0.5; beta = -2; p = exp(1 + x*beta)./(1 + exp(1 + x*beta)); % Inverse logit n = 10; y = binornd(n,p,100,1);
Создайте обобщенную линейную регрессионую модель биномиальных данных. Задайте размер биномиальной выборки 10.
mdl = fitglm(x,y,'y ~ x1','Distribution','Binomial','BinomialSize',n);
Сохраните модель
Сохраните подобранную обобщенную линейную регрессионую модель в файл GLMMdl.mat
при помощи saveLearnerForCoder
.
saveLearnerForCoder(mdl,'GLMMdl');
Задайте функцию точки входа
В текущей папке задайте функцию точки входа с именем myrandomGLM.m
что делает следующее:
Примите новые входные параметры предиктора и допустимые аргументы пары "имя-значение".
Загрузите установленную обобщенную линейную регрессионую модель в GLMMdl.mat
при помощи loadLearnerForCoder
.
Симулируйте ответы от загруженной модели GLM.
function y = myrandomGLM(x,varargin) %#codegen %MYRANDOMGLM Simulate responses using GLM model % MYRANDOMGLM simulates responses for the n observations in the n-by-1 % vector x using the GLM model stored in the MAT-file GLMMdl.mat, and % then returns the simulations in the n-by-1 vector y. CompactMdl = loadLearnerForCoder('GLMMdl'); narginchk(1,Inf); y = random(CompactMdl,x,varargin{:}); end
Добавьте %#codegen
директива компилятора (или прагма) к функции точки входа после сигнатуры функции, чтобы указать, что вы намерены сгенерировать код для алгоритма MATLAB. Добавление этой директивы предписывает анализатору кода MATLAB помочь вам диагностировать и исправить нарушения, которые могут привести к ошибкам во время генерации кода.
Сгенерируйте код
Сгенерируйте код для функции точки входа с помощью codegen
(MATLAB Coder). Поскольку C и C++ являются статически типизированными языками, вы должны определить свойства всех переменных в функции точки входа во время компиляции. Чтобы задать тип данных и точный размер входного массива, передайте выражение MATLAB ®, которое представляет множество значений с определенным типом данных и размером массива. Использование coder.Constant
(MATLAB Coder) для имен аргументов пары "имя-значение".
Задайте данные предиктора x
и биномиальный параметр n
.
codegen -config:mex myrandomGLM -args {x,coder.Constant('BinomialSize'),coder.Constant(n)}
Code generation successful.
codegen
генерирует MEX-функцию myrandomGLM_mex
с зависящим от платформы внутренним абонентом.
Если количество наблюдений неизвестно во время компиляции, можно также задать вход как переменный размер при помощи coder.typeof
(MATLAB Coder). Для получения дополнительной информации смотрите Specify Variable-Size Arguments for Генерация Кода и Specify Properties of Entry-Point Function Inputs (MATLAB Coder).
Проверьте сгенерированный код
Моделируйте ответы с помощью MEX-функции. Задайте данные предиктора x
и биномиальный параметр n
.
ysim = myrandomGLM_mex(x,'BinomialSize',n);
Постройте график моделируемых значений и данных на том же рисунке.
figure plot(x,y,'bo',x,ysim,'r*') legend('Observed responses','Simulated responses') xlabel('x') ylabel('y')
Наблюдаемые и симулированные отклики, по-видимому, распределены одинаково.
mdl
- Обобщенная линейная регрессионая модельGeneralizedLinearModel
| объекта CompactGeneralizedLinearModel
объектОбобщенная линейная регрессионая модель, заданная как GeneralizedLinearModel
объект, созданный с помощью fitglm
или stepwiseglm
, или CompactGeneralizedLinearModel
объект, созданный с помощью compact
.
Xnew
- Новые входные значения предиктораНовые входные значения предиктора, заданные как таблица, массив набора данных или матрица. Каждая строка Xnew
соответствует одному наблюдению, и каждый столбец соответствует одной переменной.
Если Xnew
является таблицей или массивом набора данных, он должен содержать предикторы, которые имеют те же имена предикторов, что и в PredictorNames
свойство mdl
.
Если Xnew
является матрицей, она должна иметь такое же количество переменных (столбцов) в том же порядке, как вход, используемый для создания mdl
. Обратите внимание, что Xnew
должны также содержать любые переменные предиктора, которые не используются в качестве предикторов в подобранную модель. Кроме того, все переменные, используемые при создании mdl
должен быть числовым. Чтобы рассматривать числовые предикторы как категориальные, идентифицируйте предикторы, используя 'CategoricalVars'
аргумент пары "имя-значение" при создании mdl
.
Типы данных: single
| double
| table
Задайте необязательные разделенные разделенными запятой парами Name,Value
аргументы. Name
- имя аргумента и Value
- соответствующее значение. Name
должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN
.
ysim = random(Mdl,Xnew,'BinomialSize',50)
возвращает числа успехов, возмущенных случайным шумом, используя количество испытаний, заданное 'BinomialSize'
.'BinomialSize'
- Количество испытаний для биномиального распределенияКоличество испытаний для биномиального распределения, заданное как разделенная разделенными запятой парами, состоящая из 'BinomialSize'
и скаляр или вектор той же длины, что и ответ. random
расширяет скалярный вход в постоянный массив того же размера, что и ответ. Скалярный вход означает, что все наблюдения имеют одинаковое количество испытаний.
Значение выходных значений в ysim
зависит от значения 'BinomialSize'
.
Если 'BinomialSize'
равен 1 (по умолчанию), затем каждое значение в выходе ysim
- вероятность успеха.
Если 'BinomialSize'
не равен 1, тогда каждое значение в выходе ysim
- предсказанное количество успехов в испытаниях.
Типы данных: single
| double
'Offset'
- Значение смещенияzeros(size(Xnew,1))
(по умолчанию) | скалярный вектор |Значение смещения для каждой строки в Xnew
, заданная как разделенная разделенными запятой парами, состоящая из 'Offset'
и скаляр или вектор с той же длиной, что и ответ. random
расширяет скалярный вход в постоянный массив того же размера, что и ответ.
Обратите внимание, что значение по умолчанию этого аргумента является нулевым вектором, даже если вы задаете 'Offset'
аргумент пары "имя-значение" при подборе модели. Если вы задаете 'Offset'
для подбора кривой программа рассматривает смещение как дополнительный предиктор со значением коэффициента, фиксированным на 1. Другими словами, формула для подбора кривой
f (<reservedrangesplaceholder1>) = Offset + X*b
,
где f - ссылка функция, μ - средняя характеристика, а X * b - линейная комбинация предикторов X. The Offset
предиктор имеет коэффициент 1
.
Типы данных: single
| double
ysim
- Моделируемые значения откликаСимулированные отклики, возвращенные как числовой вектор. Моделируемые значения являются предсказанными значениями отклика при Xnew
возмущается случайным шумом с распределением, заданным подобранной моделью. Значения в ysim
являются независимыми, обусловленными предикторами. Для биномиальных и Пуассона подходит, random
генерирует ysim
с заданным распределением и без корректировки для любой расчетной дисперсии.
Если 'BinomialSize'
равен 1 (по умолчанию), затем каждое значение в выходе ysim
- вероятность успеха.
Если 'BinomialSize'
не равен 1, тогда каждое значение в выходе ysim
- предсказанное количество успехов в испытаниях.
Для предсказаний без случайного шума используйте predict
или feval
.
predict
принимает один входной параметр, содержащий все переменные предиктора, и дает доверительные интервалы для его предсказаний.
feval
принимает несколько входные параметры с одним входом для каждой переменной предиктора, который проще использовать с моделью, созданной из таблицы или массива набора данных. feval
функция не поддерживает аргументы пары "имя-значение" 'Offset'
и 'BinomialSize'
. Функция использует 0 в качестве значения смещения, и выходные значения являются предсказанными вероятностями.
Указания и ограничения по применению:
Использовать saveLearnerForCoder
, loadLearnerForCoder
, и codegen
(MATLAB Coder), чтобы сгенерировать код для random
функция. Сохраните обученную модель при помощи saveLearnerForCoder
. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder
и вызывает random
функция. Затем используйте codegen
чтобы сгенерировать код для функции точки входа.
random
может вернуть другую последовательность чисел, чем MATLAB® если любое из следующих значений имеет значение true:
Выходные выходы нескаляра.
Параметр входа недопустим для распределения.
Эта таблица содержит примечания к аргументам random
. Аргументы, не включенные в эту таблицу, полностью поддерживаются.
Аргумент | Примечания и ограничения |
---|---|
mdl | Для указаний по применению и ограничений объекта модели, смотрите
Генерацию кода CompactGeneralizedLinearModel |
Xnew |
|
Аргументы пары "имя-значение" |
Имена в аргументах пары "имя-значение" должны быть константами во время компиляции. Например, чтобы использовать |
Для получения дополнительной информации смотрите Введение в генерацию кода.
Эта функция полностью поддерживает массивы GPU. Для получения дополнительной информации смотрите Запуск функций MATLAB на графическом процессоре (Parallel Computing Toolbox).
Эта функция поддерживает объекты модели, оснащенные входными параметрами массива GPU.
CompactGeneralizedLinearModel
| feval
| GeneralizedLinearModel
| predict
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.