高维数据线性回归模型的编码器配置器
一种RegentionLinearcoderConfigurer
对象是线性回归模型的编码器配置器(RegressionLinear
)与高维数据。
编码器配置器提供方便的功能来配置代码生成选项,在生成的代码中生成C / C ++代码和更新模型参数。
配置代码生成选项,并使用对象属性为线性模型参数指定编码器属性。
生成C/ c++代码预测
和更新
利用线性回归模型的函数generateCode
.生成C/ c++代码需要MATLAB®编码器™.
更新生成的C/ c++代码中的模型参数,而不需要重新生成代码。当您使用新数据或设置重新训练线性模型时,该特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前,请使用validatedUpdateInputs
验证并提取要更新的模型参数。
此流程图显示了使用编码器配置器的代码生成工作流。
有关线性回归模型的代码生成使用说明和限制,请参阅代码生成部分RegressionLinear
那预测
,更新
.
通过使用线性回归模型进行训练Fitrinear.
,使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer
.使用编码器配置器的属性来指定编码器属性预测
和更新
参数。然后,用generateCode
基于指定的编码器属性生成C / C ++代码。
预测
参数属性的编码器属性预测
生成的代码中的函数参数。
X
-预测数据的编码属性LearnerCoderInput
目的预测数据的编码器属性将传递给生成的C / C ++代码预测
线性回归模型的功能,指定为aLearnerCoderInput
对象。
控件创建编码器配置器时learnerCoderConfigurer
函数的输入参数X
属性的默认值LearnerCoderInput
编码器属性:
奇迹
—默认值为输入的数组大小X
.
如果价值
的属性ObservationsIn
财产RegentionLinearcoderConfigurer
是'行'
那么这一点奇迹
值是[n p]
,在那里N.
对应观察数和P.
对应于预测器的数量。
如果价值
的属性ObservationsIn
财产RegentionLinearcoderConfigurer
是'列'
那么这一点奇迹
值是[p n]
.
改变…的元素奇迹
(例如,改变[n p]
来[p n]
),修改价值
的属性ObservationsIn
财产RegentionLinearcoderConfigurer
因此。你不能修改奇迹
直接价值。
杂色金属敏感
—默认值为[0 0]
,表示数组大小是固定的,如奇迹
.
您可以将此值设置为[1 0]
如果奇迹
值是[n p]
或[0 1]
如果是[p n]
,表示数组具有可变大小的行和固定大小的列。例如,[1 0]
指定第一个值奇迹
(N.
)是行数的上限,第二个值是奇迹
(P.
)为列数。
数据类型
—取值为单
或双
.默认数据类型取决于输入的数据类型X
.
可调性
- 这个值必须是真正的
,这意味着预测
在生成的C/ c++代码中总是包含预测器数据作为输入。
您可以使用点表示法修改编码器属性。例如,要生成接受带有三个预测变量(列)的100个观察值的预测数据的C/ c++代码,指定这些编码器属性X
用于编码器配置器配置
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configurer.X.VariableDimensions = [0 0];
[0 0]
表示的第一个和第二个维度X
(观测数和预测变量数分别)有固定的大小。
要允许生成的C/ c++代码接受多达100个观测值的预测数据,请指定这些编码器属性X
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configurer.X.VariableDimensions = [1 0];
[1 0]
表示的第一个维度X
(观察的数量)有一个可变的大小和第二个维度X
(预测变量的数量)有一个固定的大小。在本例中,指定的观察数(100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察,请指定范围为正
.
ObservationsIn
-预测数据观测维数的编码属性EnumeratedInput
目的预测器数据观察维度的编码器属性(“ObservationsIn”
的名称-值对参数预测
),指定为EnumeratedInput
对象。
控件创建编码器配置器时learnerCoderConfigurer
函数,“ObservationsIn”
名称 - 值对参数确定默认值EnumeratedInput
编码器属性:
价值
—默认值是您在创建编码器配置器时使用的预测器数据观察维度,指定为'行'
或'列'
.如果没有指定“ObservationsIn”
在创建编码器配置器时,默认值为'行'
.
SelectedOption
—always'内置'
.此属性是只读的。
BuiltInOptions
- 细胞阵列'行'
和'列'
.此属性是只读的。
IsConstant
- 这个值必须是真正的
.
可调性
-默认值为假
如果您指定“ObservationsIn”、“行”
当创建编码器配置器时,和真正的
如果您指定“ObservationsIn”、“列”
.如果你设置可调性
来假
,软件集价值
来'行'
.如果您指定其他属性值可调性
是假
,软件集可调性
来真正的
.
更新
参数属性的编码器属性更新
生成的代码中的函数参数。这更新
函数接受训练过的模型和新的模型参数作为输入参数,并返回包含新参数的模型的更新版本。要启用更新生成代码中的参数,您需要在生成代码之前指定参数的编码器属性。使用一个LearnerCoderInput
对象指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数Mdl
的learnerCoderConfigurer
.
β
-线性预测系数的编码器属性LearnerCoderInput
目的线性预测系数的编码器属性(β
的线性回归模型),指定为LearnerCoderInput
对象。
默认属性值的LearnerCoderInput
对象基于输入参数Mdl
的learnerCoderConfigurer
:
奇迹
- 这个值必须是(1页)
,在那里P.
预测器的数量在吗Mdl
.
杂色金属敏感
- 这个值必须是[0 0]
,表示数组大小是固定的,如奇迹
.
数据类型
—取值为“单一”
或“双”
.默认数据类型与您用于训练的培训数据的数据类型一致Mdl
.
可调性
- 这个值必须是真正的
.
偏见
-编码器属性的偏差项LearnerCoderInput
目的偏差项的编码属性(偏见
的线性回归模型),指定为LearnerCoderInput
对象。
默认属性值的LearnerCoderInput
对象基于输入参数Mdl
的learnerCoderConfigurer
:
奇迹
- 这个值必须是[1]
.
杂色金属敏感
- 这个值必须是[0 0]
,表示数组大小是固定的,如奇迹
.
数据类型
—取值为“单一”
或“双”
.默认数据类型与您用于训练的培训数据的数据类型一致Mdl
.
可调性
- 这个值必须是真正的
.
outputfilename.
-生成的C/ c++代码的文件名“RegressionLinearModel”
(默认)|特征向量生成的C/ c++代码的文件名,指定为字符向量。
对象功能generateCode
的RegentionLinearcoderConfigurer
使用此文件名生成C/ c++代码。
文件名不能包含空格,因为在某些操作系统配置中,空格可能导致代码生成失败。此外,名称必须是有效的MATLAB函数名。
在创建编码器配置器之后配置
,您可以使用点表示法指定文件名。
配置。OutputFileName =“myModel”;
数据类型:字符
详细的
-冗长的水平真正的
(逻辑1)(默认)|假
(逻辑0)详细级别,指定为真正的
(逻辑1)或假
(逻辑0)。详细级别控制命令行处的通知消息的显示。
价值 | 描述 |
---|---|
真正的 (逻辑1) |
当您对参数的编码器属性的更改导致其他相关参数的更改时,该软件将显示通知消息。 |
假 (逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中启用更新机器学习模型参数,需要在生成代码之前配置参数的编码器属性。参数的编码属性彼此依赖,因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改参数的编码器属性,并且该修改需要随后更改其他相关参数以满足配置约束,则软件将更改相关参数的编码器属性。详细级别决定软件是否为这些后续更改显示通知消息。
在创建编码器配置器之后配置
,您可以使用点表示法修改详细程度。
配置。详细的=假;
数据类型:逻辑
要自定义代码生成工作流,请使用生成菲尔斯
功能和以下三个属性codegen
(MATLAB编码器),而不是使用generateCode
功能。
在生成两个入口点函数文件(predict.m
和update.m
),使用生成菲尔斯
函数,您可以根据代码生成工作流修改这些文件。例如,可以修改predict.m
文件要包含数据预处理,或者您可以将这些入门点函数添加到另一个代码生成项目。然后,您可以通过使用C / C ++代码来生成C / C ++代码codegen
(MATLAB编码器)函数和codegen
适合于修改的入口点函数或代码生成项目的参数。使用本节中描述的三个属性作为起点来设置codegen
参数。
CodeGenerationArguments
-codegen
参数此属性是只读的。
codegen
(MATLAB编码器)参数,指定为单元格数组。
此属性使您可以自定义代码生成工作流程。使用generateCode
函数,如果您不需要自定义您的工作流。
而不是使用generateCode
使用编码器配置器配置
,你可以生成C/ c++代码如下:
generatefiles(configur)cgargs = configurer.codegeNerationArguments;Codegen(CGARGS {:})
cgArgs
因此之前调用codegen
.
修改的其他属性配置
,则软件更新CodeGenerationArguments
相应的属性。
数据类型:细胞
预测incupputs.
-的可调参数列表预测
此属性是只读的。
入口点函数的可调输入参数列表predict.m
对于代码生成,指定为单元格数组。单元格数组包含另一个单元格数组,其中包括编码器。PrimitiveType
(MATLAB编码器)对象和编码器。常数
(MATLAB编码器)对象。
的编码器属性预测
参数,则软件相应更新相应对象。如果指定可调性
属性是假
,则该软件从预测incupputs.
列表。
单元格数组预测incupputs.
相当于配置。CodeGenerationArguments {6}
用于编码器配置器配置
.
数据类型:细胞
updateInputs.
-的可调参数列表更新
编码器。PrimitiveType
对象此属性是只读的。
入口点函数的可调输入参数列表update.m
对于代码生成,指定为包含的结构的单元格数组编码器。PrimitiveType
(MATLAB编码器)对象。每个编码器。PrimitiveType
对象包含可调机器学习模型参数的编码器属性。
如果您使用编码器配置器属性修改模型参数的编码器属性(更新
参数属性),然后软件更新相应的软件编码器。PrimitiveType
相应的对象。如果指定可调性
机器学习模型参数的属性为假
,则软件删除相应的编码器。PrimitiveType
对象的updateInputs.
列表。
的结构updateInputs.
相当于配置。CodeGenerationArguments {3}
用于编码器配置器配置
.
数据类型:细胞
generateCode |
使用编码器配置程序生成C / C ++代码 |
生成菲尔斯 |
生成MATLAB使用编码器配置程序的代码生成文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
训练一个机器学习模型,然后生成代码预测
和更新
通过使用编码器配置器来实现模型的功能。
从模型中模拟10,000个观察结果
是一个10,000×1000个数字矩阵,标准正常元素。
是一个随机正常误差,平均值0和标准偏差0.3。
rng (“默认”的)%的再现性n = 10000;p = 1000;X = randn(氮、磷);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);
用模拟数据训练线性回归模型。传递转置的预测矩阵Xnew
来Fitrinear.
,并使用“ObservationsIn”
的列的名称-值对参数指定Xnew
对应于观测。
xnew = x';mdl = fitrinear(xnew,y,“ObservationsIn”那'列');
Mdl
是一个RegressionLinear
对象。
控件创建一个编码器配置器RegressionLinear
模型通过使用learnerCoderConfigurer
.指定预测数据Xnew
,并使用“ObservationsIn”
的名称-值对参数,以指定的观察维度Xnew
.这learnerCoderConfigurer
函数使用这些输入参数来配置相应输入参数的编码器属性预测
.
配置= learnerCoderConfigurer (Mdl Xnew,“ObservationsIn”那'列'的)
Configurer = RegentionLinearCoderConfigurer具有属性:更新输入:Beta:[1x1 LearnercoderInput]偏置:[1x1 LearnercoderInput]预测输入:x:[1x1 enumercoderInput]观察结果:[1x1 enumerationInput]代码生成参数:numoutputs:1 outputfileName:'回归线焦点'属性,方法
配置
是一个RegentionLinearcoderConfigurer
对象的编码配置器RegressionLinear
对象。
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为此生成代码预测
和更新
线性回归模型的函数(Mdl
)的默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionLinearModel。代码生成成功。
这generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数predict.m
和update.m
为预测
和更新
的功能Mdl
, 分别。
创建一个名为RegressionLinearModel
对于两个入口点函数。
创建MEX函数的代码codegen \墨西哥人\ RegressionLinearModel
文件夹中。
将MEX函数复制到当前文件夹。
显示内容predict.m
那update.m
,initialize.m
文件,使用类型
功能。
类型predict.m
函数varargout = predict(x,varargin)%#codegen%by matlab,01-sep-2021 14:43:34 [varargout {1:nargout}] =初始化('predict',x,varargin {:});结尾
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:43:34 initialize('update',varargin{:});结尾
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:43:34 code .inline('always') persistent model if isempty(model) model = loadLearnerForCoder('RegressionLinearModel.mat');end switch(command) case 'update' % update struct fields: Beta % Bias model = update(model,varargin{:});case 'predict' %预测输入:X, ObservationsIn X = varargin{1};if nargout == 2 [varargout{1:nargout}] = predict(model,X);else PVPairs = cell(1,nargin-2);for i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束结束
使用部分数据集训练线性回归模型,并为模型创建编码器配置器。使用编码器配置器的属性来指定线性回归模型参数的编码器属性。使用编码器配置器的对象函数来生成C代码,用于预测新的预测器数据的响应。然后使用整个数据集重新训练模型,并在不重新生成代码的情况下更新生成代码中的参数。
火车模型
从模型中模拟10,000个观察结果
是一个10,000×1000个数字矩阵,标准正常元素。
是一个随机正常误差,平均值0和标准偏差0.3。
rng (“默认”的)%的再现性n = 10000;p = 1000;X = randn(氮、磷);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);
使用前500个观测数据训练线性回归模型。转换预测数据,并使用“ObservationsIn”
的列的名称-值对参数指定XTrain
对应于观测。
xtrain = x(1:500,:)';YTrain = Y(1:500);mdl = fitrinear(Xtrain,Ytrain,“ObservationsIn”那'列');
Mdl
是一个RegressionLinear
对象。
创建编码器配置
控件创建一个编码器配置器RegressionLinear
模型通过使用learnerCoderConfigurer
.指定预测数据XTrain
,并使用“ObservationsIn”
的名称-值对参数,以指定的观察维度XTrain
.这learnerCoderConfigurer
函数使用这些输入参数来配置相应输入参数的编码器属性预测
.
配置= learnerCoderConfigurer (Mdl XTrain,“ObservationsIn”那'列');
配置
是一个RegentionLinearcoderConfigurer
对象的编码配置器RegressionLinear
对象。
指定参数的编码器属性
指定线性回归模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性。
属性的编码器属性X
的属性配置
这样生成的代码就可以接受任意数量的观察。修改奇迹
和杂色金属敏感
属性。这奇迹
属性指定预测器数据大小的上限,而杂色金属敏感
属性指定预测器数据的每个维度是否具有可变大小或固定大小。
配置器. x . sizevector = [1000 Inf];configurer.X.VariableDimensions
ans =1 x2逻辑阵列0 1
第一个维度的大小是预测变量的数量。对于机器学习模型,这个值必须是固定的。由于预测器数据包含1000个预测器,因此奇迹
属性的值必须为1000杂色金属敏感
属性必须0.
.
第二个维度的大小是观察的次数。的值奇迹
属性来正
导致软件修改杂色金属敏感
属性来1
.换句话说,大小的上限是正
它的大小是可变的,这意味着预测数据可以有任意数量的观测数据。如果您在生成代码时不知道观察的数量,那么这个规范很方便。
尺寸的顺序奇迹
和杂色金属敏感
的编码属性ObservationsIn
.
configur.observationsin.
ans = EnumeratedInput带有属性:Value: 'columns' SelectedOption: ' built ' BuiltInOptions: {'rows' 'columns'} IsConstant: 1可调性:1
当价值
的属性ObservationsIn
属性是'列'
的第一个维度奇迹
和杂色金属敏感
的属性X
对应于预测数,第二个维度对应于观测数。当价值
的属性ObservationsIn
是'行'
,维度的顺序被交换了。
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为此生成代码预测
和更新
线性回归模型的函数(Mdl
).
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionLinearModel。代码生成成功。
这generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数predict.m
和update.m
为预测
和更新
的功能Mdl
, 分别。
创建一个名为RegressionLinearModel
对于两个入口点函数。
创建MEX函数的代码codegen \墨西哥人\ RegressionLinearModel
文件夹中。
将MEX函数复制到当前文件夹。
验证生成的代码
通过一些预测数据来验证是否预测
的函数Mdl
和预测
函数返回相同的预测响应。要在具有多个入口点的MEX函数中调用入口点函数,请将函数名指定为第一个输入参数。
YHat =预测(Mdl XTrain,“ObservationsIn”那'列');YHat_mex = RegressionLinearModel (“预测”,XTrain,“ObservationsIn”那'列');
比较YHat
和YHat_mex
.
马克斯(abs (YHat-YHat_mex))
ans = 0
一般来说,YHat_mex
可能包括舍入差异与YHat
.在这种情况下,比较证实了这一点YHat
和YHat_mex
是相等的。
在生成的代码中重新训练模型和更新参数
使用整个数据集重新培训模型。
retrainedMdl = fitrlinear (X, Y)“ObservationsIn”那'列');
通过使用提取参数以更新validatedUpdateInputs
.该函数检测修改后的模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置、retrainedMdl);
更新生成代码中的参数。
RegressionLinearModel (“更新”params)
验证生成的代码
的输出比较预测
的函数retrainedMdl
和预测
函数。
YHat =预测(retrainedMdl X ',“ObservationsIn”那'列');YHat_mex = RegressionLinearModel (“预测”X ',“ObservationsIn”那'列');马克斯(abs (YHat-YHat_mex))
ans = 0
比较证实了这一点YHat
和YHat_mex
是相等的。
LearnerCoderInput
对象编码器配置器使用LearnerCoderInput
对象的编码器属性预测
和更新
输入参数。
一种LearnerCoderInput
对象具有以下属性,以在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
奇迹 |
对应的数组大小 数组大小的上界,如果对应 |
杂色金属敏感 |
指示符,指定数组的每个维度是具有可变大小还是固定大小,指定为
|
数据类型 |
数组的数据类型 |
可调性 |
指示是否的指示符 如果您指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定偏差项的数据类型偏见
编码器配置器的配置
:
configurer.Bias.DataType =“单一”;
详细的
),真正的
(默认值),当您修改机器学习模型参数的编码器属性时,软件会显示通知消息,而修改会改变其他相关参数的编码器属性。
EnumeratedInput
对象编码器配置器使用EnumeratedInput
对象的编码器属性预测
输入参数,具有有限的可用值集。
一个EnumeratedInput
对象具有以下属性,以在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
价值 |
的价值
的默认值 |
SelectedOption |
所选选项的状态,指定为
此属性是只读的。 |
BuiltInOptions |
对应的可用字符向量的列表 此属性是只读的。 |
IsConstant |
指示符,指定数组值是否为编译时常量( 如果将此值设置为 |
可调性 |
指示是否的指示符 如果您指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定编码器属性ObservationsIn
编码器配置器的配置
:
configurer.ObservationsIn.Value ='列';
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。