主要内容

RegentionLinearcoderConfigurer

高维数据线性回归模型的编码器配置器

展开所有页面

描述

一种RegentionLinearcoderConfigurer对象是线性回归模型的编码器配置程序（回归线性）具有高维数据。

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指定线性模型参数的编码器属性。

  • 为此生成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 ++代码需要马铃薯®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，请使用验证updateInpuls.验证和提取要更新的模型参数。

此流程图显示使用编码器配置程序的代码生成工作流程。

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回归线性那预测， 和更新．

创建

通过使用培训线性回归模型Fitrinear.，使用使用创建模型的编码器配置器Learnercoderconfigurer．使用编码器配置器的属性指定编码器属性预测和更新论点。然后，使用Generatecode.基于指定的编码器属性生成C / C ++代码。

属性

展开全部

预测争论

本节中列出的属性指定了编码器属性预测生成的代码中的函数参数。

预测器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aLearnercoderInpul.目的。

使用使用时创建编码器配置程序时Learnercoderconfigurer函数，输入参数X确定默认值LearnercoderInpul.编码器属性:

  • 秘诀- 默认值是输入的数组大小X．

    • 如果是价值的属性ObservationsIn本物业RegentionLinearcoderConfigurer是'行'那么这一点秘诀价值是[n p]， 在哪里N对应观察数和P.对应于预测器的数量。

    • 如果是价值的属性ObservationsIn本物业RegentionLinearcoderConfigurer是'列'那么这一点秘诀价值是[p n]．

    切换元素秘诀（例如，改变[n p]来[p n]），修改价值的属性ObservationsIn本物业RegentionLinearcoderConfigurer因此。你无法修改秘诀直接价值。

  • 杂色金属依赖项—默认值为[0 0]，这表明数组大小如规定固定秘诀．

    您可以将此值设置为[1 0]如果是秘诀价值是[n p]或者[0 1]如果是[p n]，表示阵列具有可变大小的行和固定大小列。例如，[1 0]指定第一个值秘诀（N）是行数的上限，以及第二个值秘诀（P.）是列的数量。

  • 数据类型—取值为单要么双倍的．默认数据类型取决于输入的数据类型X．

  • 可调性- 这个值必须是真的， 意思是预测在所生成的C / C ++代码中，始终包括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C / C ++代码，可接受具有三个预测变量的100个观察（以列）的预测数据（在列中），请指定这些编码器属性X用于编码器配置器配置程序：

configurer.x.sizevector = [100 3];configur.x.datatype =.'双倍的';configurer.x.variaBolidimensions = [0 0];
[0 0]表示第一和第二维度X（分别观察次数和预测变量的数量）具有固定尺寸。

要允许生成的C / C ++代码接受最多100个观察的预测器数据，请指定这些编码器属性X：

configurer.x.sizevector = [100 3];configur.x.datatype =.'双倍的';configur.x.variabledimensions = [1 0];
[1 0]表示的第一个维度X（观察次数）具有可变尺寸和第二维度X（预测器变量的数量）具有固定大小。在该示例中指定的观测数量，100成为生成的C / C ++代码中允许的最大观察数。要允许任何数量的观察，请指定绑定为INF.．

预测器数据观察维度的编码器属性（'观察'名称 - 值对参数预测)，指定为inumeratedInput.目的。

使用使用时创建编码器配置程序时Learnercoderconfigurer函数,'观察'名称 - 值对参数确定默认值inumeratedInput.编码器属性:

  • 价值- 默认值是您在创建编码器配置时使用的预测器数据观察维度，指定为'行'要么'列'．如果您未指定'观察'在创建编码器配置器时，默认值为'行'．

  • 选择选项- 这个值始终是'内置'．此属性是只读的。

  • 内置选项- 细胞阵列'行'和'列'．此属性是只读的。

  • IsConstant- 这个值必须是真的．

  • 可调性-默认值是错误的如果您指定'观察'，'行'创建编码器配置程序时，以及真的如果您指定“ObservationsIn”、“列”．如果你设置了可调性来错误的，软件集价值来'行'．如果指定其他属性值可调性是错误的，软件集可调性来真的．

从生成的C / C ++代码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（预计响应）在生成的C / C ++代码中。

这numoutput.属性等价于'-Nargout'编译器选项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 -预测.M.和更新..为了预测和更新线性回归模型的函数分别 - 为两个入口点函数生成C / C ++代码。指定的价值numoutput.属性对应于入口点函数中的输出参数数预测.M.．

数据类型:双倍的

更新争论

本节中列出的属性指定了编码器属性更新生成的代码中的函数参数。这更新函数将培训的模型和新型号参数作为输入参数，并返回包含新参数的模型的更新版本。要启用更新生成的代码中的参数，则需要在生成代码之前指定参数的编码器属性。用一个LearnercoderInpul.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．

线性预测器系数的编码器属性（bet线性回归模型），指定为aLearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数MDL.的Learnercoderconfigurer：

  • 秘诀- 这个值必须是[P 1]， 在哪里P.是预测因子的数量MDL.．

  • 杂色金属依赖项- 这个值必须是[0 0]，表示数组大小是固定的，如秘诀．

  • 数据类型—取值为'单身的'要么'双倍的'．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- 这个值必须是真的．

偏差项的编码属性(偏见线性回归模型），指定为aLearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数MDL.的Learnercoderconfigurer：

  • 秘诀- 这个值必须是[1]．

  • 杂色金属依赖项- 这个值必须是[0 0]，表示数组大小是固定的，如秘诀．

  • 数据类型—取值为'单身的'要么'双倍的'．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。

文件名不得包含空格，因为它们可以在某些操作系统配置中导致代码生成失败。此外，名称必须是有效的MATLAB函数名称。

在创建编码器配置器之后配置程序，您可以使用点表示法指定文件名。

configurer.outputfilename =.'mymodel';

数据类型:char

详细级别，指定为真的（逻辑1）或错误的（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。
错误的（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程序，您可以使用点表示法修改详细级别。

配置。verb=错误的;

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。

生成两个入门点函数文件（预测.M.和更新..）通过使用生成菲尔斯功能，您可以根据代码生成工作流修改这些文件。例如，您可以修改预测.M.文件要包含数据预处理，或者您可以将这些入口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）功能和Codegen.适用于修改的入境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设置的起点Codegen.论点。

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.功能如果您不需要自定义工作流程。

而不是使用Generatecode.使用编码器配置程序配置程序，你可以生成C/ c++代码如下:

generatefiles（configurer）cgargs = configurer.codegeNerationArguments;Codegen（CGARGS {：}）
如果您自定义代码生成工作流程，请修改CGARGS.因此在呼叫之前Codegen.．

如果修改其他属性配置程序，则软件更新CodeGenerationArguments相应的财产。

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预测.M.对于代码生成，指定为单元数组。单元阵列包含另一个包括的单元阵列编码器.primitiveType.（MATLAB编码器）对象和编码器.Constant.（MATLAB编码器）对象。

如果修改编码器属性预测争论，则软件相应更新相应对象。如果指定可调性属性错误的，然后软件从中删除相应的对象预测inppuls.列表。

单元格阵列预测inppuls.相当于configurer.codegenerationArguments {6}用于编码器配置器配置程序．

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更新..对于代码生成，指定为结构的单元格数组，包括编码器.primitiveType.（MATLAB编码器）对象。每个编码器.primitiveType.对象包括可调谐计算机学习模型参数的编码器属性。

如果使用编码器配置程序属性修改模型参数的编码器属性（更新争论属性），然后软件更新相应的编码器.primitiveType.相应的对象。如果指定可调性机器学习模型参数的属性错误的，然后软件删除相应的编码器.primitiveType.对象的updateInputs.列表。

的结构updateInputs.相当于configurer.codegenerationArguments {3}用于编码器配置器配置程序．

数据类型:细胞

对象功能

Generatecode. 使用编码器配置程序生成C / C ++代码
生成菲尔斯 产生马铃薯使用编码器配置程序的代码生成文件
验证updateInpuls. 验证和提取机器学习模型参数更新

例子

全部收缩

此示例使用：

打开直播脚本

火车机器学习模型，然后为此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。

模拟模型的10,000个观察

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'）重复性的％n = 10000;p = 1000;X = RANDN（N，P）;y = x（：，100）+ 2 * x（:,200）+ 0.3 * randn（n，1）;

使用模拟数据列车线性回归模型。通过转置的预测矩阵XNew.来Fitrinear.，并使用'观察'名称值对参数指定列的列XNew.对应于观测。

xnew = x';mdl = fitrineear（xnew，y，'观察'那'列'）;

MDL.是一个回归线性目的。

为此创建一个编码器配置程序回归线性模型通过使用Learnercoderconfigurer．指定预测器数据XNew.，并使用'观察'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．

configurer = LearnerCoderConfigurer（MDL，Xnew，'观察'那'列'）
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 enumerateDoderInput]代码生成参数：numoutputs：1 outputfileName：'回归线标记'属性，方法

配置程序是一个RegentionLinearcoderConfigurer对象的编码配置器回归线性目的。

要生成C / C ++代码，您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯-设置查看和更改默认编译器。有关更多详细信息，请参阅更改默认编译器．

为此生成代码预测和更新线性回归模型的功能（MDL.）默认设置。

Generatecode（Configurer）
GenerateCode在输出文件夹中创建这些文件：'Initialize.m'，'predict.m'，'update.m'，'regersionlinearmodel.mat'代码生成成功。

这Generatecode.函数完成这些操作：

  • 生成生成代码所需的MATLAB文件，包括两个入口点函数预测.M.和更新..为了预测和更新函数MDL.， 分别。

  • 创建名为MEX函数回归线性模型对于两个入口点函数。

  • 创建MEX函数的代码Codegen \ Mex \ RegentionLinearModel文件夹中。

  • 将MEX函数复制到当前文件夹。

显示该内容预测.M.那更新..， 和初始化..文件通过使用类型功能。

类型预测.M.
函数varargout = predict（x，varargin）％＃codegen％by matlab，23-feb-2021 19:18:39 [varargout {1：nargout}] =初始化（'predict'，x，varargin {：}）;结尾
类型更新..
函数更新（varargin）％＃codegen％by matlab，23-feb-2021 19:18:39初始化（'更新'，varargin {：}）;结尾
类型初始化..
函数[varargout] = initialize（命令，varargin）％＃codegen％by matlab，23-feb-2021 19:18:39 Coder.inline（'始终'）持久模型如果是isempty（模型）模型= loadlearnerforcoder（'回归线arfoder）。垫'）;结束开关（命令）案例'更新'％更新结构字段：Beta％偏置模型=更新（型号，varargin {：}）;案例'预测'％预测输入：x，观察x = varargin {1};如果nargin == 2 [varargout {1：nargout}] = predict（model，x）;否则pvPairs = cell（1，nargin-2）;对于i = 1：nargin-2 pvPair {1，i} = varargin {i + 1};结束[varargout {1：nargout}] = predict（model，x，pvpaess {：}）;结束结束

此示例使用：

打开直播脚本

使用部分数据集列出线性回归模型，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，该代码预测新的预测器数据的响应。然后使用整个数据集重新培训模型，并在未重新生成代码的情况下更新生成代码中的参数。

火车模型

模拟模型的10,000个观察

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'）重复性的％n = 10000;p = 1000;X = RANDN（N，P）;y = x（：，100）+ 2 * x（:,200）+ 0.3 * randn（n，1）;

使用前500个观察训练线性回归模型。转换预测器数据，并使用'观察'名称值对参数指定列的列XTrain对应于观测。

XTrain = x（1：500，:)';YTrain = Y（1：500）;mdl = fitrinear（Xtrain，Ytrain，'观察'那'列'）;

MDL.是一个回归线性目的。

创建编码器配置程序

为此创建一个编码器配置程序回归线性模型通过使用Learnercoderconfigurer．指定预测器数据XTrain，并使用'观察'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．

configurer = LearnerCoderConfigurer（MDL，XTrain，'观察'那'列'）;

配置程序是一个RegentionLinearcoderConfigurer对象的编码配置器回归线性目的。

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，以便在再培训模型后可以更新生成的代码中的参数。此示例指定要传递给生成的代码的预测器数据的编码器属性。

指定编码器属性X财产配置程序因此，生成的代码接受任何数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定预测器数据大小的上限，而杂色金属依赖项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。

configurer.x.sizevector = [1000 inf];configur.x.variabledimensions.
ans =.1x2逻辑阵列0 1

第一维度的大小是预测变量的数量。必须为机器学习模型固定此值。因为预测器数据包含1000个预测器，所以秘诀属性必须是1000和值的值杂色金属依赖项属性必须是0.．

第二维度的大小是观察的数量。设置值秘诀归因于INF.导致软件更改值杂色金属依赖项归因于1．换句话说，大小的上限是INF.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。

尺寸的顺序秘诀和杂色金属依赖项取决于编码器属性ObservationsIn．

configur.observationsin.
ANS = eNumerateDupput与属性：value：'列'SelectedOption：'内置'构建选项：{'行'列'} iSononstant：1可调性：1

当。。。的时候价值的属性ObservationsIn属性是'列'，第一个维度秘诀和杂色金属依赖项属性的X对应于预测器的数量，第二维度对应于观察的数量。当。。。的时候价值的属性ObservationsIn是'行'，切换尺寸的顺序。

生成代码

要生成C / C ++代码，您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯-设置查看和更改默认编译器。有关更多详细信息，请参阅更改默认编译器．

为此生成代码预测和更新线性回归模型的功能（MDL.）。

Generatecode（Configurer）
GenerateCode在输出文件夹中创建这些文件：'Initialize.m'，'predict.m'，'update.m'，'regersionlinearmodel.mat'代码生成成功。

这Generatecode.函数完成这些操作：

  • 生成生成代码所需的MATLAB文件，包括两个入口点函数预测.M.和更新..为了预测和更新函数MDL.， 分别。

  • 创建名为MEX函数回归线性模型对于两个入口点函数。

  • 创建MEX函数的代码Codegen \ Mex \ RegentionLinearModel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是预测功能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,'观察'那'列'）;YHat_mex = RegressionLinearModel ('预测'，XTrain，'观察'那'列'）;

相比yhat和yhat_mex.．

max（abs（yhat-yhat_mex）））
ans = 0

一般来说，yhat_mex.可能包括与之相比的圆截止差异yhat．在这种情况下，比较证实了yhat和yhat_mex.是平等的。

培训模型和生成代码中的更新参数

使用整个数据集重新培训模型。

RetrowingMDL = FITRLINEER（X'，Y，'观察'那'列'）;

通过使用提取要更新的参数验证updateInpuls.．此功能检测到修改的模型参数returatedmdl.并验证修改的参数值是否满足参数的编码器属性。

params = validatedupdateInputs（Configurer，HetrowingMDL）;

更新生成的代码中的参数。

RegentionLinearModel（'更新'params)

验证生成的代码

比较来自的输出预测功能returatedmdl.和预测在更新的MEX函数中的功能。

yhat =预测（再次retrowmdl，x'，'观察'那'列'）;YHat_mex = RegressionLinearModel ('预测'，X'，'观察'那'列'）;max（abs（yhat-yhat_mex）））
ans = 0

比较证实了yhat和yhat_mex.是平等的。

更多关于

展开全部

也可以看看

|||

话题

在R2019B中介绍

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