主要内容

RegentionLinearcoderConfigurer

高维数据线性回归模型的编码器配置器

全部展开页面

描述

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。

两个代码生成工作流:第一个在训练模型之后，第二个在重新训练相同的模型之后。第一个工作流，步骤1:创建一个编码器配置器。步骤2:生成代码。步骤3:验证生成的代码。第二个工作流，步骤1:检查更新是否有效。是= >步骤2;否，执行第一个工作流的第一步。步骤2:更新生成代码中的模型参数。

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．

创建

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。

属性

全部展开

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。

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．

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．

的生成的C/ c++代码中返回的输出参数的数量预测线性回归模型的功能，指定为1。预测回报YHat(预测响应)在生成的C/ c++代码中。

这numoutputs.属性等价于“-nargout”编译器选项的codegen(MATLAB编码器)．此选项指定代码生成的入口点函数中的输出参数数量。对象功能generateCode生成两个入口点函数predict.m和update.m为预测和更新并为这两个入口点函数生成C/ c++代码。的指定值numoutputs.属性对应于入口点函数中的输出参数数量predict.m．

数据类型:双

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．

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．

其他配置程序选项

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

代码生成自定义选项

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。

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 {：}）
如果您自定义代码生成工作流，请修改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

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

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

对象的功能

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

例子

全部折叠

这个示例使用:

打开生活的脚本

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

y = X 1 0. 0. + 2 X 2 0. 0. + E. ．

  • X = X 1 那 ． ． ． 那 X 1 0. 0. 0. 是一个10,000×1000个数字矩阵，标准正常元素。

  • E. 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

这个示例使用:

打开生活的脚本

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

y = X 1 0. 0. + 2 X 2 0. 0. + E. ．

  • X = X 1 那 ． ． ． 那 X 1 0. 0. 0. 是一个10,000×1000个数字矩阵，标准正常元素。

  • E. 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。

更多关于

全部展开

也可以看看

|||

主题

介绍在R2019B.

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书