导出回归模型预测新数据 - Matlab＆Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

导出回归模型以预测新数据

将模型导出到工作空间

在交互式在回归学习者应用程序中创建回归模型后，您可以将最佳模型导出到工作区。然后，您可以使用该培训的模型来使用新数据进行预测。

注

最终模型回归学习者出口始终使用完整数据集进行培训。您使用的验证方案仅影响应用程序计算验证度量的方式。您可以使用验证度量和各种绘图可视化结果，以便为您的回归问题选择最佳模型。

以下是将模型导出到MATLAB的步骤^®工作空间：

在应用程序中，选择要导出的模型楷模窗格。
上回归学习者标签，在出口节中，单击其中一个导出选项：
- 要包括用于培训模型的数据，请选择出口模式.
  您将训练模型导出到工作区作为包含回归模型对象的结构。
- 要排除培训数据，请选择出口紧凑型号.此选项可在可能的情况下将模型导出使用不必要的数据。对于某些型号，这是一个不包括培训数据的紧凑型对象，但您仍然可以使用它来对新数据进行预测。
在“导出模型”对话框中，检查导出变量的名称，如果需要，可对其进行编辑。然后，单击行.导出模型的默认名称，训练模型，每次导出时递增以避免覆盖模型（例如，训练显示器1）。
新变量（例如，训练模型)显示在您的工作区中。
该应用程序显示有关命令窗口中导出的模型的信息。阅读消息以了解如何使用新数据进行预测。

预测新数据

从回归学习器将模型导出到工作区后，或运行应用程序生成的代码后，您将获得训练模型可用于使用新数据进行预测的结构。该结构包含一个模型对象和一个预测函数。该结构使您能够对包含主成分分析（PCA）的模型进行预测。

使用导出的模型对新数据进行预测，T:
```
yfit=训练模型预测fcn（T）
```
哪里训练模型是导出变量的名称。
提供数据T具有与应用程序（表或矩阵）中使用的培训数据相同的格式和数据类型。
- 如果您提供了一个表，那么请确保它包含与培训数据相同的预测值名称。这个预测忽略表中的其他变量。可变格式和类型必须与原始培训数据匹配。
- 如果提供矩阵，它必须包含与训练数据相同的预测列或行，顺序和格式相同。不要包含响应变量、未在应用程序中导入的任何变量或其他未使用的变量。
输出伊菲特包含每个数据点的预测。
检查导出结构的字段。要获得预测帮助，请输入：
```
培训模型。如何预测
```

您还可以从导出的结构中提取模型对象以进行进一步分析。如果在应用程序中使用诸如PCA等的功能转换，则必须通过使用结构的PCA字段中的信息来考虑此转换。

生成马铃薯用新数据训练模型的代码

在回归学习器应用程序中以交互方式创建回归模型后，可以为最佳模型生成MATLAB代码。然后，您可以使用代码使用新数据训练模型。

生成matlab代码：

在巨大的数据集上训练。探索在数据子集上培训的应用程序中的模型，然后在更大的数据集上生成要培训所选模型的代码。
为培训模型创建脚本，而无需了解不同功能的语法。
检查代码以了解如何以编程方式培训模型。
修改代码以进行进一步的分析，例如要设置您无法在应用程序中更改的选项。
对不同的数据重复分析，并使培训自动化。

要生成代码并使用它培训具有新数据的模型：

在应用中，来自楷模窗格中，选择要为其生成代码的模型。
上回归学习者标签，在出口部分，单击生成函数.
该应用程序从您的会话生成代码，并在MATLAB编辑器中显示该文件。该文件包括预测器和响应，模型训练方法和验证方法。保存文件。
要重新训练模型，请使用原始数据或新数据作为输入参数从命令行调用函数。新数据必须与原始数据具有相同的形状。
复制生成代码的第一行，不包括单词功能，并编辑TrainingData.输入参数以反映训练数据或新数据的变量名。同样，编辑响应数据输入参数（如果适用）。
例如，重新培训培训的回归模型可携式数据集，输入：
```
[TroundModel，ValidationRmse] = TrainRegressionModel（Cartable）
```
生成的代码返回a训练模型当您将来自回归学习者导出到工作区时，包含与您创建的结构相同的字段的结构。

如果要自动培训与新数据相同的模型，或者学习如何编程方式培训模型，请检查生成的代码。代码向您展示如何：

将数据处理成正确的形状。
训练模型并指定所有模型选项。
执行交叉验证。
计算统计数据。
计算验证预测和分数。

注

如果从经过训练的可优化模型生成MATLAB代码，则生成的代码不包括优化过程。

生成用于预测的C代码

如果您使用回归学习者培训此表中的其中一个模型，则可以生成用于预测的C代码。

模型类型	底层模型对象
线性回归	`linearmodel.`要么`紧凑线性模型`
决策树	`回归植物`要么`Compactregressiontree.`
金宝app支持矢量机器	`回归vm.`要么`compactregressionsvm.`
高斯过程回归	`regressiongp.`要么`紧回归`
合奏	`回归套`,`压缩回归套`或`回归释迦缩短`

C代码需要：

MATLAB编码器™执照
适当的模型

例如，在回归学习器中训练树模型，然后将模型导出到工作区。
在导出的结构中找到底层回归模型对象。检查结构的字段以查找模型对象，例如，回归树，在哪里S是你结构的名称。
基础模型对象取决于是否导出了精简模型。模型对象可以是回归植物要么Compactregressiontree.目的。
使用功能Savelarnerforcoder.要为代码生成准备模型，请执行以下操作：saveLearnerForCoder（Mdl，文件名）.例如：
```
SavelAlnerForcoder（S.regressionTree，'mytree')
```

创建一个函数，用于加载保存的模型并对新数据进行预测。例如：

功能YFIT =预测（x）%#编码基因％预测使用树模型预测响应％预测使用x中的测量值mytree.mat中的％和树模型。％返回YFIT中的预测响应。CompactMDL = LoadLearnerForCoder（'mytree'); yfit=预测（压缩MDL，X）；结尾

从函数生成一个MEX函数。例如：
```
编码基因预测..M.-args{数据}
```
这个%#编码基因编译指令表示MATLAB代码用于代码生成。为确保MEX功能可以使用相同的输入，请将工作区中的数据指定为使用该函数的参数-args选项。指定数据作为仅包含用于训练模型的预测列的矩阵。
使用MEX函数进行预测。例如：
```
Yfit = predicty_mex（数据）;
```

如果您在应用程序中使用了特征选择或PCA特征转换，则需要执行其他步骤。如果使用手动要素选择，请在中提供相同的列X.这个X参数是函数的输入。

如果您在应用程序中使用PCA，请使用导出结构的PCA字段中的信息考虑此转换。无论您将表格还是矩阵导入应用程序，都无关紧要X以相同的顺序包含矩阵列。在生成代码之前，请按照下列步骤操作：

保存培训的回归结构的PCaCenters和PCACoeffices字段，S，使用以下命令文件：
```
节省（“pcaInfo.mat”,'--truct','S',“PCACenters”,'pcacoeffices'）;
```

在函数文件中，包括其他行以执行PCA转换。创建一个函数，用于加载保存的模型、执行PCA并对新数据进行预测。例如：

功能YFIT =预测（x）%#编码基因％预测使用树模型预测响应％预测使用x中的测量值％和文件mytree.mat中的树模型。％，然后返回Yfit中的预测响应。％如果在应用程序中使用了手动功能选择，请确保x%仅包含模型中包含的列。CompactMDL = LoadLearnerForCoder（'mytree'）;pcainfo = coder.load（“pcaInfo.mat”,“PCACenters”,'pcacoeffices'）;PCACEders = pcainfo.pcacenters;PCACoefficients = PCAINFO.PCACOEFFICERSERS;％执行PCA转换pcaTransformedX=bsxfun（@减号，X，PCACenters）*pcacefficients；yfit=预测（CompactMdl，pcaTransformedX）；结尾

有关C代码生成工作流程和限制的更多信息，请参阅代码生成.对于例子，见Savelarnerforcoder.和loadLearnerForCoder.

使用MATLAB编译器部署预测

将模型从回归学习器导出到工作区后，可以使用Matlab Compiler™.

假设您根据指令将培训的模型导出到MATLAB工作区将模型导出到工作空间，姓名为训练模型.要部署预测，请按照下列步骤操作。

保存训练模型.mat文件中的结构。
```
节省我的模型训练模型
```
编写要编译的代码。此代码必须加载培训的模型并使用它来进行预测。它还必须具有Pragma，因此编译器认识到编译应用程序中需要统计和机器学习工具箱™代码。此Pragma可以是工具箱中的任何功能。
```
功能ypred = mypredict（tbl）％＃函数fitrtree装载('mymodel.mat'); ypred=训练模型预测FCN（待定）；结尾
```
作为独立应用程序编译。
```
MCC.-M.mypredict.m
```