Этот пример показывает, как обучить классификационный ансамбль параллельно. Модель имеет десять красных и десять зеленых базовых местоположений, и красные и зелёные населения, которые обычно распределены и центрированы в базовых местоположениях. Цель состоит в том, чтобы классифицировать точки на основе их расположения. Эти классификации неоднозначны, потому что некоторые базовые местоположения находятся рядом с местоположениями другого цвета.
Создайте и отобразите десять базовых расположений каждого цвета.
rng default % For reproducibility grnpop = mvnrnd([1,0],eye(2),10); redpop = mvnrnd([0,1],eye(2),10); plot(grnpop(:,1),grnpop(:,2),'go') hold on plot(redpop(:,1),redpop(:,2),'ro') hold off
Создайте 40 000 точек каждого цвета с центром на случайных базовых точках.
N = 40000; redpts = zeros(N,2);grnpts = redpts; for i = 1:N grnpts(i,:) = mvnrnd(grnpop(randi(10),:),eye(2)*0.02); redpts(i,:) = mvnrnd(redpop(randi(10),:),eye(2)*0.02); end figure plot(grnpts(:,1),grnpts(:,2),'go') hold on plot(redpts(:,1),redpts(:,2),'ro') hold off
cdata = [grnpts;redpts];
grp = ones(2*N,1);
% Green label 1, red label -1
grp(N+1:2*N) = -1;Подгонка пакетированного классификационного ансамбля к данным. Для сравнения с параллельными тренировками подбирайте ансамбль серийно и возвращайте время обучения.
tic mdl = fitcensemble(cdata,grp,'Method','Bag'); stime = toc
stime = 9.0782
Оцените потерю вне сумки для подобранной модели.
myerr = oobLoss(mdl)
myerr = 0.0572
Создайте пакетированную классификационную модель параллельно, используя воспроизводимый шаблон дерева и параллельные субпотоки. Можно создать параллельный пул в кластере или параллельный пул рабочих потоков на локальном компьютере. Чтобы выбрать соответствующее параллельное окружение, см. Раздел «Выбор между окружениями на основе потоков и процессами».
parpool
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
ans =
ProcessPool with properties:
Connected: true
NumWorkers: 6
Cluster: local
AttachedFiles: {}
AutoAddClientPath: true
IdleTimeout: 30 minutes (30 minutes remaining)
SpmdEnabled: true
s = RandStream('mrg32k3a'); options = statset("UseParallel",true,"UseSubstreams",true,"Streams",s); t = templateTree("Reproducible",true); tic mdl2 = fitcensemble(cdata,grp,'Method','Bag','Learners',t,'Options',options); ptime = toc
ptime = 6.2527
В этой шестиядерной системе процесс обучения параллельно происходит быстрее.
speedup = stime/ptime
speedup = 1.4519
Оцените потери вне мешка для этой модели.
myerr2 = oobLoss(mdl2)
myerr2 = 0.0577
Вероятность ошибки аналогична скорости первой модели.
Чтобы продемонстрировать воспроизводимость модели, сбросьте поток случайных чисел и снова подгоните модель.
reset(s); tic mdl2 = fitcensemble(cdata,grp,'Method','Bag','Learners',t,'Options',options); toc
Elapsed time is 3.953355 seconds.
Проверьте, что потеря совпадает с предыдущей.
myerr2 = oobLoss(mdl2)
myerr2 = 0.0577