Документация

В Командном окне симулируйте 100 наблюдений из модели регрессии с четырьмя переменными предикторами. Создайте случайный матричный X, чьи строки соответствуют наблюдениям и чьи столбцы соответствуют переменным предикторам. Добавьте отсутствующие значения в матрицу путем случайной установки приблизительно 2% значений в каждом столбце как NaNs. Создайте переменную отклика y от переменных в X.

rng("default")
numRows = 100;
numCols = 4;
X = rand(numRows,numCols);

randIdx = randi(numRows*numCols,floor(0.02*numRows)*numCols,1);
X(randIdx) = NaN;

y = 10*X(:,1) + 5*X(:,2) + 3*X(:,3) + 7*X(:,4) + 0.1*randn(numRows,1);

Из Командного окна откройте приложение Regression Learner. Заполните диалоговое окно New Session from Arguments с матрицей предиктора X и переменная отклика y.

regressionLearner(X,y)

Чтобы принять выборы в диалоговом окне New Session from Arguments и продолжиться, нажмите Start Session.

Обучите все предварительно установленные модели. На вкладке Regression Learner, в разделе Model Type, кликают по стреле, чтобы открыть галерею. В группе Get Started нажмите All. В разделе Training нажмите Train. Приложение обучает все предварительно установленные модели и отображает модели в панели Models.

Отображения приложения график отклика для первой модели. Синие точки являются истинными значениями, и желтые точки являются ожидаемыми значениями. Панель Models слева показывает валидации RMSE (среднеквадратическая ошибка) для каждой модели.

Сортировка моделей на основе валидации RMSE. В панели Models откройте список Sort by и выберите RMSE (Validation). Приложение обрисовывает в общих чертах метрику для модели (или моделей) с самой низкой валидацией RMSE.

Выберите модель в панели Models с самой низкой валидацией RMSE.

Экспортируйте выбранную модель для развертывания на MATLAB Production Server. На вкладке Regression Learner, в разделе Export, нажимают Export Model и выбирают Export Model for Deployment.

В диалоговом окне Select Project File for Model Deployment выберите местоположение и имя для вашего файла проекта. В данном примере используйте название проекта по умолчанию RegressionLearnerDeployedModel.prj. Нажмите Save.

Программное обеспечение открывает приложение Production Server Compiler и автоматически сгенерированный predictFunction.m файл.

Во вкладке Compiler приложения Production Server Compiler раздел Exported Functions включает файлы modelInformation.m и predictFunction.m. Раздел Additional files required for your archive to run включает файлы processInputData.m и TrainedRegressionModel.mat. Для примера, где необходимо обновить код в некоторых из этих файлов, чтобы включать шаги предварительной обработки, смотрите, Развертывают Модель, Обученную в Classification Learner к MATLAB Production Server. В данном примере смотрите predictFunction.m код и близко файл.

В приложении Production Server Compiler нажмите кнопку Test Client в разделе Test по вкладке Compiler.

На вкладке Test, в разделе Server Actions, нажимают кнопку Start. Отметьте адрес, перечисленный в панели Server Address, которая в этом примере является http://localhost:9910/DeployedRegressionModel.

Откройте новый экземпляр MATLAB.

В новом экземпляре MATLAB автоматически открывается приложение Production Server Compiler. Закройте этот экземпляр приложения.

В Командном окне нового экземпляра MATLAB загрузите данные о предикторе, которые имеют тот же формат как обучающие данные, используемые в Regression Learner.

rng("default")
numRows = 100;
numCols = 4;
X = rand(numRows,numCols);

randIdx = randi(numRows*numCols,floor(0.02*numRows)*numCols,1);
X(randIdx) = NaN;

Отправьте данные в MATLAB Production Server. Используйте адрес сервера, отображенный в приложении Production Server Compiler.

Поскольку X числовая матрица, аргумент не требует последующей обработки прежде чем быть отправленным в MATLAB Production Server. Необходимо преобразовать категориальные переменные и таблицы к массивам ячеек и структурам, соответственно, прежде, чем отправить их в MATLAB Production Server. Для примера смотрите, Развертывают Модель, Обученную в Classification Learner к MATLAB Production Server.

jsonData = mps.json.encoderequest({X},"Nargout",1, ...
    "OutputFormat","large");
URL = "http://localhost:9910/DeployedRegressionModel/predictFunction";
options = weboptions("MediaType","application/json","Timeout",30);
response = webwrite(URL,jsonData,options);

В исходном экземпляре MATLAB, в открытом приложении Production Server Compiler, панель MATLAB Execution Requests под вкладкой Test показывает успешный запрос между сервером и клиентом MATLAB.

В Командном окне нового экземпляра MATLAB извлеките предсказанные ответы из response переменная. Преобразуйте предсказанные ответы на числовой вектор и проверяйте, что значения правильны.

cellResults = response.lhs.mwdata;
numericResults = arrayfun(@str2double,string(cellResults));

В исходном экземпляре MATLAB, в приложении Production Server Compiler, нажимают Stop в разделе Server Actions по вкладке Test. В разделе Close нажмите Close Test.

Используйте приложение Production Server Compiler, чтобы группировать вашу функцию модели и предсказания. На вкладке Compiler, в разделе Package, нажимают кнопку Package.

В диалоговом окне Package проверьте, что опция Open output folder when process completes выбрана.

После концов процесса развертывания исследуйте сгенерированный выход.