主要内容

回归的TreecoderConfigurer.

回归二进制决策树模型的编码器配置程序

展开所有页面

描述

一个回归的TreecoderConfigurer.对象是用于回归的二叉决策树模型的编码器配置器(回归植物要么Compactregressiontree.）。

编码器配置器提供了方便的特性来配置代码生成选项、生成C/ c++代码以及更新生成代码中的模型参数。

  • 配置代码生成选项，并通过使用对象属性为树模型参数指定编码器属性。

  • 为此生成C / C ++代码预测和更新使用回归树模型的功能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树模型时，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。

有关回归树模型的代码生成使用说明和限制，请参阅Compactregressiontree.，预测， 和更新．

创造

通过使用培训回归树模型菲特里，使用使用创建模型的编码器配置器Learnercoderconfigurer．属性的编码器属性预测和更新论点。然后，使用Generatecode.根据指定的编码器属性生成C/ c++代码。

性质

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。

Coder属性的预测器数据传递到生成的C/ c++代码预测回归树模型的功能，指定为aLearnercoderInpul.对象。

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：

  • SizeVector- 默认值是输入的数组大小X．

  • 杂色金属依赖项-此值为[0 0](默认)或[1 0]．

    • [0 0]表示阵列大小如规定固定SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型-此值为单身的要么双倍的．默认数据类型取决于输入的数据类型X．

  • 可调谐性—必须为真的， 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，要生成接受带有三个预测变量的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对于编码器配置器配置程序：

configurer.X.SizeVector=[100 3]；configurer.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]；configurer.X.DataType='双倍的'；configur.x.variabledimensions = [1 0];
[1 0]指示的第一个维度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.．

从生成的C / C ++代码返回的输出参数的数量预测回归树模型的函数，指定为1或2。

输出论据预测是YFIT.（预测反应）和节点（预测的节点号），按此顺序。预测在生成的C / C ++代码中返回第一个代码n委员会的产出预测功能，在哪里n是个NumOutputs价值。

创建编码器配置器后配置程序，您可以使用点表示法指定输出的数量。

配置。NumOutputs= 2;

的NumOutputs属性相当于'-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。目标函数Generatecode.生成两个入口点函数 -预测.M.和更新..为了预测和更新回归树模型的函数分别 - 为两个入口点函数生成C / C ++代码。指定的价值NumOutputs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。的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．

树中每个节点的子节点的编码器属性（孩子们一个回归树模型），指定为aLearnercoderInpul.对象。

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

  • SizeVector-默认值为(2 nd)， 在哪里n是中的节点数MDL.．

  • 杂色金属依赖项-此值为[0 0](默认)或[1 0]．

    • [0 0]表示阵列大小如规定固定SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型-此值为“单身”要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性—必须为真的．

如果修改第一个维度SizeVector成为新闻，然后软件修改的第一个维度SizeVector属性是新闻对于属性切口，切割预测指数， 和寡码. 类似地，如果修改杂色金属依赖项成为1，然后软件修改的第一个维度杂色金属依赖项属性是1对于这些属性。

树中每个节点的切割点的编码属性(切口一个回归树模型），指定为aLearnercoderInpul.对象。

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

  • SizeVector-默认值为[ND 1]， 在哪里n是中的节点数MDL.．

  • 杂色金属依赖项-此值为[0 0](默认)或[1 0]．

    • [0 0]表示阵列大小如规定固定SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型-此值为“单身”要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性—必须为真的．

如果修改第一个维度SizeVector成为新闻，然后软件修改的第一个维度SizeVector属性是新闻对于属性孩子们，切割预测指数， 和寡码. 类似地，如果修改杂色金属依赖项成为1，然后软件修改的第一个维度杂色金属依赖项属性是1对于这些属性。

树中每个节点的剪切预测器索引的编码器属性（切割预测指数一个回归树模型），指定为aLearnercoderInpul.对象。

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

  • SizeVector-默认值为[ND 1]， 在哪里n是中的节点数MDL.．

  • 杂色金属依赖项-此值为[0 0](默认)或[1 0]．

    • [0 0]表示阵列大小如规定固定SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型-此值为“单身”要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性—必须为真的．

如果修改第一个维度SizeVector成为新闻，然后软件修改的第一个维度SizeVector属性是新闻对于属性孩子们，切口， 和寡码. 类似地，如果修改杂色金属依赖项成为1，然后软件修改的第一个维度杂色金属依赖项属性是1对于这些属性。

树中每个节点的平均响应值的编码器属性(寡码一个回归树模型），指定为aLearnercoderInpul.对象。

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

  • SizeVector-默认值为[ND 1]， 在哪里n是中的节点数MDL.．

  • 杂色金属依赖项-此值为[0 0](默认)或[1 0]．

    • [0 0]表示阵列大小如规定固定SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型-此值为“单身”要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性—必须为真的．

如果修改第一个维度SizeVector成为新闻，然后软件修改的第一个维度SizeVector属性是新闻对于属性孩子们，切口， 和切割预测指数. 类似地，如果修改杂色金属依赖项成为1，然后软件修改的第一个维度杂色金属依赖项属性是1对于这些属性。

其他配置选项

生成的C / C ++代码的文件名，指定为字符向量。

的目标函数Generatecode.的回归的TreecoderConfigurer.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。

创建编码器配置器后配置程序，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中通知消息的显示。

价值 描述
真的（逻辑1） 当对参数的编码器属性所做的更改导致其他相关参数的更改时，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。参数的编码器属性相互依赖，因此软件将依赖项存储为配置约束。如果使用编码器配置器修改参数的编码器属性，并且修改需要后续更改其他从属参数以满足配置约束，则软件会更改从属参数的编码器属性。详细级别确定软件是否显示这些后续更改的通知消息。

创建编码器配置器后配置程序，您可以使用点表示法修改详细级别。

configurer.Verbose=false；

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generateFiles函数和下面三个属性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generateFiles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.文件以包含数据预处理，或者可以将这些入口点函数添加到另一个代码生成项目中。然后，您可以通过使用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。

此属性使您能够自定义代码生成工作流。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，可以生成C/C++代码，如下所示：

generateFiles(配置器)cgArgs = configuration . 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，软件会更新CodeGenerationArguments.相应的财产。

数据类型：细胞

此属性是只读的。

入口点函数的输入参数预测.M.对于代码生成，指定为编码器.primitiveType.（MATLAB编码器）对象。的编码器.primitiveType.对象包括存储在中的预测器数据的编码器属性X财产。

如果修改预测器数据的编码器属性，则软件更新编码器.primitiveType.相应的对象。

的编码器.primitiveType.反对PredictInputs相当于configurer.codegenerationArguments {6}对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。每一个编码器.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.反对。如果指定可调谐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.来自UpdateInputs列表。

结构UpdateInputs相当于configurer.codegenerationArguments {3}对于编码器配置器配置程序．

数据类型：细胞

对象功能

Generatecode. 使用编码器配置器生成C/ c++代码
generateFiles 产生马铃薯使用编码器配置器生成代码的文件
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使用编码器配置器实现模型的功能。

加载卡比格包含汽车数据的数据集，并训练回归树模型。

加载卡比格x = [位移马力重量];y = mpg;mdl = fitrtree（x，y）;

MDL.是一个回归植物对象。

为此创建一个编码器配置程序回归植物模型通过使用Learnercoderconfigurer．指定预测器数据X．的Learnercoderconfigurer函数使用输入X配置编码器属性预测功能输入。

configurer=learnercoderconfiguer（Mdl，X）
configurer = RegressionTreeCoderConfigurer with properties: Update Inputs: Children: [1x1 LearnerCoderInput] NodeMean: [1x1 LearnerCoderInput] CutPoint: [1x1 LearnerCoderInput] CutPredictorIndex: [1x1 LearnerCoderInput] Predict Inputs: X: [1x1 LearnerCoderInput] Code Generation Parameters: NumOutputs: 1 OutputFileName:“RegressionTreeModel”属性,方法

配置程序是一个回归的TreecoderConfigurer.对象，它是回归植物对象。

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．

为预测和更新回归树模型的功能（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”、“RegressionTreeModel.mat”代码生成成功。

的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..为了预测和更新功能MDL.,分别。

  • 创建名为MEX函数RegressionTreeModel.对于两个入口点函数。

  • 控件中创建MEX函数的代码Codegen \ Mex \ ReightionTreeModel文件夹。

  • 将MEX函数复制到当前文件夹。

显示该内容预测.M.，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 19:18:49 [varargout {1：nargout}] =初始化（'predict'，x，varargin {：}）;结尾
类型更新..
函数更新（varargin）%#codegen%由MATLAB自动生成，2021年2月23日19:18:49初始化（'update'，varargin{:}）；结束
类型初始化..
函数[varargout]=initialize（command，varargin）%#codegen%由MATLAB自动生成，2021年2月23日19:18:49编码器。如果isempty（model）model=loadLearnerForCoder（'RegressionTreeModel.mat'），则内联（'always'）持久模型；结束开关（命令）案例“更新”%update结构字段：子项%NodeMean%CutPoint%CutPredictor索引模型=更新（模型，varargin{：}）；案例'predict''%predict输入：X X=varargin{1}；如果nargin==2[varargout{1:nargout}]=predict（model，X）；else-PVPairs=cell（1，nargin-2）；对于i=1:nargin-2pvpairs{1，i}=varargin{i+1}；end[varargout{1:nargout}]=predict（model，X，PVPairs{:}）；结束

此示例使用：

打开直播脚本

使用部分数据集列出回归树，并为模型创建一个编码器配置器。使用编码器配置器的属性来指定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

加载卡比格数据集，并训练回归树模型使用一半的观察。

加载卡比格x = [位移马力重量];y = mpg;RNG（'默认'）重复性的％n =长度（y）;Idxtrain = RandSample（n，n / 2）;xtrain = x（idxtrain，:);YTrain = Y（IDxtrain）;MDL = FITRTREE（XTRAIN，YTRAIN）;

MDL.是一个回归植物对象。

创建编码器配置程序

为此创建一个编码器配置程序回归植物模型通过使用Learnercoderconfigurer．指定预测器数据XTrain.．的Learnercoderconfigurer函数使用输入XTrain.配置编码器属性预测函数输入。另外，将输出数设置为2，以便生成的代码返回预测响应和预测节点数。

configurer = LearnerCoderConfigurer（MDL，XTrain，'numoutputs'，2）;

配置程序是一个回归的TreecoderConfigurer.对象，它是回归植物对象。

指定参数的编码器属性

指定回归树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。

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SizeVector和杂色金属依赖项属性。的SizeVector属性指定预测器数据大小的上限，以及杂色金属依赖项属性指定预测器数据的每个维度是具有可变大小还是固定大小。

[Inf 3];configurer.X.VariableDimensions
ans =.1x2逻辑阵列1 0

第一维度的大小是观察的数量。设置值SizeVector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.而且大小是可变的，这意味着预测数据可以有任意数量的观测值。如果您在生成代码时不知道观察次数，则此规范非常方便。

第二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3个预测器，所以SizeVector属性必须是3.和值的价值杂色金属依赖项属性必须是0．

如果使用新数据或不同的设置重新恢复树模型，则树中的节点数量可能会有所不同。因此，指定第一个维度SizeVector其中一个属性的属性，以便您可以更新生成的代码中的节点数：孩子们，切口，切割预测指数， 要么寡码．然后，软件会自动修改其他属性。

例如，设置第一个值SizeVector属性寡码财产INF.．软件修改SizeVector和杂色金属依赖项属性的孩子们，切口， 和切割预测指数匹配树中节点数量的新上限。另外，第一个值杂色金属依赖项属性寡码更改1．

configurer.NodeMean.SizeVector=[Inf 1]；
用于儿童的SizeVector属性已被修改为满足配置约束。用于切割点的Sizevector属性已被修改为满足配置约束。SizeVector属性用于CutPredictorIndex的修改以满足配置约束。variablyimensions属性用于儿童的归因于满足配置约束。variabledimensions属性用于切割点已被修改为满足配置约束。variabledimensions for cutpredictorindex的属性已被修改为满足配置约束。
configurer.NodeMean.VariableDimensions
ans =.1x2逻辑阵列1 0

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．

为预测和更新回归树模型的功能（MDL.）。

Generatecode（Configurer）
generateCode在输出文件夹中创建这些文件：“initialize.m”、“predict.m”、“update.m”、“RegressionTreeModel.mat”代码生成成功。

的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..为了预测和更新功能MDL.,分别。

  • 创建名为MEX函数RegressionTreeModel.对于两个入口点函数。

  • 控件中创建MEX函数的代码Codegen \ Mex \ ReightionTreeModel文件夹。

  • 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MEX函数中的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。

[YFIT，Node] =预测（MDL，XTrain）;[yfit_mex，node_mex] = regressiontreemodel（'预测'，XTrain）;

相比YFIT.到yfit_mex.和节点到node_mex.．

max（abs（yfit-yfit_mex），[]，'全部'）
ans=0
node_mex isequal(节点)
ans =.逻辑1

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

isequal返回逻辑1（真的)，如果所有输入参数相等。比较证实了预测功能MDL.和预测MEX函数中的函数返回相同的节点编号。

培训模型和生成代码中的更新参数

使用整个数据集重新训练模型。

RetrowingMDL = FITRTREE（X，Y）;

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。

RegressionTreeModel ('更新'，参数）

验证生成的代码

的输出参数比较预测功能returatedmdl.和预测在更新的MEX函数中的功能。

[YFIT，Node] =预测（RetratingMDL，X）;[yfit_mex，node_mex] = regressiontreemodel（'预测'，X）;max（abs（yfit-yfit_mex），[]，'全部'）
ans=0
node_mex isequal(节点)
ans =.逻辑1

比较证实了预测的响应和节点数字是相等的。

更多关于

展开全部

另请参阅

||||

话题

介绍了R2019b

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书