Обучите классификационную модель

Этот пример использует ionosphere набор данных, который содержит качества radar-return (Y) и данные предиктора (X). Радиолокационные возвраты имеют хорошее качество ('g') или плохого качества ('b').

Загрузите ionosphere набор данных. Определите размер выборки.

load ionosphere
n = numel(Y)

n = 351

Блок MATLAB Function не может вернуть массивы ячеек. Преобразуйте переменную отклика в логический вектор, элементы которого 1 если радар возвращается хорошо, и 0 в противном случае.

Y = strcmp(Y,'g');

Предположим, что радарные возвраты обнаруживаются последовательно, и у вас есть первые 300 наблюдений, но вы еще не получили последние 51. Разделите данные на настоящие и будущие выборки.

prsntX = X(1:300,:);
prsntY = Y(1:300);
ftrX = X(301:end,:);
ftrY = Y(301:end);

Обучите модель SVM, используя все, доступные в настоящее время данные. Задайте стандартизацию данных предиктора.

Mdl = fitcsvm(prsntX,prsntY,'Standardize',true);

Mdl является ClassificationSVM модель.

Сохраните модель с помощью saveLearnerForCoder

В командной строке можно использовать Mdl делать предсказания для новых наблюдений. Однако вы не можете использовать Mdl как входной параметр в функции, предназначенной для генерации кода.

Подготовка Mdl загружается внутри функции с помощью saveLearnerForCoder.

saveLearnerForCoder(Mdl,'SVMIonosphere');

saveLearnerForCoder уплотняет Mdl, а затем сохраняет его в MAT-файле SVMIonosphere.mat.

Задайте функцию MATLAB

Задайте функцию MATLAB с именем svmIonospherePredict.m что предсказывает, является ли радиолокационный возврат хорошим качеством. Функция должна:

function [label,score] = svmIonospherePredict(X) %#codegen
%svmIonospherePredict Predict radar-return quality using SVM model
%   svmIonospherePredict predicts labels and estimates classification
%   scores of the radar returns in the numeric matrix of predictor data X
%   using the compact SVM model in the file SVMIonosphere.mat.  Rows of X
%   correspond to observations and columns to predictor variables.  label
%   is the predicted label and score is the confidence measure for
%   classifying the radar-return quality as good.
%
% Copyright 2016 The MathWorks Inc.
Mdl = loadLearnerForCoder('SVMIonosphere');
[label,bothscores] = predict(Mdl,X);
score = bothscores(:,2);
end

Примечание.Если нажать кнопку, расположенную в правом верхнем разделе этой страницы и открыть этот пример в MATLAB, MATLAB открывает папку примера. Эта папка включает файл функции точки входа.

Создайте модель Simulink

Создайте модель Simulink с блоком MATLAB Function, который отправляет в svmIonospherePredict.m.

Этот пример предоставляет модель Simulink slexSVMIonospherePredictExample.slx. Откройте модель Simulink.

SimMdlName = 'slexSVMIonospherePredictExample'; 
open_system(SimMdlName)

Рисунок отображает модель Simulink. Когда узел входа обнаруживает возврат радара, он направляет это наблюдение в блок MATLAB Function, который отправляет svmIonospherePredict.m. После предсказания метки и счета модель возвращает эти значения в рабочую область и отображает значения в модели по одному за раз. Когда вы загружаете slexSVMIonospherePredictExample.slxMATLAB также загружает требуемый набор данных radarReturnInput. Однако в этом примере показано, как создать необходимый набор данных.

Модель рассчитывает получить входные данные как массив структур, называемый radarReturnInput содержащие следующие поля:

Создайте соответствующий массив структур для будущих радиолокационных возвратов.

radarReturnInput.time = (0:50)';
radarReturnInput.signals(1).values = ftrX;
radarReturnInput.signals(1).dimensions = size(ftrX,2);

Вы можете изменить имя из radarReturnInput, а затем укажите новое имя в модели. Однако Simulink ожидает, что массив структур будет содержать описанные имена полей.

Симулируйте модель с помощью данных, удерживаемых вне обучения, то есть данных в radarReturnInput.

sim(SimMdlName);

Рисунок показывает модель после того, как она обрабатывает все наблюдения в radarReturnInput по одному за раз. Предсказанная метка X(351,:) является 1 и его положительный счет класса 1.431. Переменные tout, yout, и svmlogsout появится в рабочей области. yout и svmlogsout являются SimulinkData.Dataset объекты, содержащие предсказанные метки и счета. Для получения дополнительной информации смотрите Формат for Logged Simulation Data (Simulink).

Извлеките данные моделирования из журнала симуляции.

labelsSL = svmlogsout.getElement(1).Values.Data;
scoresSL = svmlogsout.getElement(2).Values.Data;

labelsSL является числовым вектором 51 на 1 предсказанных меток. labelsSL(j) = 1 означает, что модель SVM предсказывает, что радиолокационный возврат j в будущем выборка хорошего качества, и 0 означает иное. scoresSL является числовым вектором 51 на 1 счетов положительного класса, то есть расстояний со знаком от контура принятия решения. Положительные счета соответствуют предсказанным меткам 1, и отрицательные счета соответствуют предсказанным меткам 0.

Спрогнозируйте метки и счета положительного класса в командной строке с помощью predict.

[labelCMD,scoresCMD] = predict(Mdl,ftrX);
scoresCMD = scoresCMD(:,2);

labelCMD и scoresCMD соизмеримы со labelsSL и scoresSL.

Сравните счета положительного класса будущей выборки, возвращенные slexSVMIonospherePredictExample на возвращенные вызовом predict в командной строке.

err = sum((scoresCMD - scoresSL).^2);
err < eps

ans = logical
   1

Сумма квадратов отклонений между наборами счетов незначительна.

Если у вас также есть лицензия Simulink Coder™, то можно сгенерировать код С от slexSVMIonospherePredictExample.slx в Simulink или из командной строки с помощью slbuild (Simulink). Для получения дополнительной информации см. «Генерация кода С для модели» (Simulink Coder).