Документация

В Командном окне загрузите patients набор данных, и составляет таблицу от подмножества переменных в наборе данных. Каждая строка в patientTbl соответствует пациенту, и каждый столбец соответствует диагностической переменной.

load patients
patientTbl = table(Age,Diastolic,Gender,Height, ...
    SelfAssessedHealthStatus,Systolic,Weight,Smoker);

Преобразуйте SelfAssessedHealthStatus переменная к порядковому категориальному предиктору.

patientTbl.SelfAssessedHealthStatus = categorical(patientTbl.SelfAssessedHealthStatus, ...
    ["Poor","Fair","Good","Excellent"],"Ordinal",true);

Из Командного окна откройте приложение Classification Learner. Заполните диалоговое окно New Session from Arguments с данными о предикторе в patientTbl и переменная отклика Smoker.

classificationLearner(patientTbl,"Smoker")

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

Обучите все предварительно установленные модели. На вкладке Classification 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 матрица беспорядка для первой модели. Синие значения указывают на правильные классификации, и красные значения указывают на неправильные классификации. Панель Models слева показывает точность валидации для каждой модели.

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

Выберите модель в панели Models с самой высокой точностью валидации.

Экспортируйте выбранную модель для развертывания на MATLAB Production Server. На вкладке Classification 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 ClassificationLearnerDeployedModel.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 TrainedClassificationModel.mat.

Обновите код в файлах processInputData.m и predictFunction.m включать шаги предварительной обработки, выполняемые, прежде чем вы импортировали данные в Classification Learner. Откройте processInputData.m файл от ClassificationLearnerDeployedModel_resources папка и изменение код, чтобы включать преобразование SelfAssessedHealthStatus переменная к порядковому категориальному предиктору.

function processedData = processInputData(T)
    T.SelfAssessedHealthStatus = categorical(T.SelfAssessedHealthStatus, ...
        ["Poor","Fair","Good","Excellent"],"Ordinal",true);
    processedData = T;
end

В predictFunction.m файл, не комментируют следующие строки кода так, чтобы predictFunction вызовы функции processInputData функция.

processedData = processInputData(T);
T = processedData;

Отредактируйте predictFunction.m код так, чтобы функция возвратила два выходных параметра, labels и scores, вместо одного выхода result. Обновите функциональную подпись в первой строке кода.

function [labels,scores] = predictFunction(varargin)

[labels,scores] = model.predictFcn(T);

Также обновите прокомментированное описание predictFunction функция, чтобы включать описания новых выходных аргументов. labels содержит предсказанные метки, возвращенные обученной моделью и scores содержит предсказанные оценки, возвращенные обученной моделью.

Закройте файлы predictFunction.m и processInputData.m.

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/DeployedClassificationModel.

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 об ответе и предиктор. Убедитесь, что данные имеют тот же формат как обучающие данные, используемые в Classification Learner.

load patients
patientTbl = table(Age,Diastolic,Gender,Height, ...
    SelfAssessedHealthStatus,Systolic,Weight,Smoker);
patientTbl.SelfAssessedHealthStatus = categorical(patientTbl.SelfAssessedHealthStatus, ...
    ["Poor","Fair","Good","Excellent"],"Ordinal",true);

Подготовьте данные, чтобы отправить его в MATLAB Production Server.

Необходимо преобразовать категориальные переменные и таблицы к массивам ячеек и структурам, соответственно, прежде, чем отправить их в MATLAB Production Server. Поскольку SelfAssessedHealthStatus категориальная переменная и patientTbl таблица, обработайте входные данные далее прежде, чем отправить ее.

inputTbl = patientTbl;
columnNames = patientTbl.Properties.VariableNames;
for i=1:length(columnNames)
   if iscategorical(patientTbl.(columnNames{i}))
       inputTbl.(columnNames{i}) = cellstr(patientTbl.(columnNames{i}));
   end
end
inputData = table2struct(inputTbl);

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

jsonData = mps.json.encoderequest({inputData},"Nargout",2);
URL = "http://localhost:9910/DeployedClassificationModel/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 метки и баллы от response переменная. Проверяйте, что ожидаемые значения правильны.

labels = response.lhs{1};
scores = response.lhs{2};

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.