RegressionTreeCoderConfigurer
回归二叉决策树模型的编码器配置器
描述
一个RegressionTreeCoderConfigurer对象是用于回归的二叉决策树模型的编码器配置器(RegressionTree或CompactRegressionTree）.
编码器配置器提供了方便的功能来配置代码生成选项，生成C/ c++代码，并在生成的代码中更新模型参数。
配置代码生成选项，并使用对象属性为树模型参数指定编码器属性。
生成C/ c++代码
预测而且更新函数的回归树模型通过使用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，而不必重新生成代码。当您使用新数据或设置重新训练树模型时，此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，使用
validatedUpdateInputs验证并提取模型参数进行更新。
此流程图显示了使用编码器配置器的代码生成工作流。
的代码生成使用说明和回归树模型的限制，请参阅的代码生成部分CompactRegressionTree，预测,更新．
创建
训练后的回归树模型通过使用fitrtree，为模型创建编码器配置器learnerCoderConfigurer．类的编码器属性预测而且更新参数。然后,用generateCode根据指定的编码器属性生成C/ c++代码。
属性
预测参数
属性的编码器属性预测生成代码中的函数参数。
X- - - - - -预测器数据的编码器属性
LearnerCoderInput对象
编码器属性的预测器数据传递给生成的C/ c++代码预测回归树模型的函数，指定为LearnerCoderInput对象。
类创建编码器配置程序时learnerCoderConfigurer函数，输入参数X属性的默认值LearnerCoderInput编码器属性:
SizeVector—默认值为输入的数组大小X．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为单或双．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。
可以使用点表示法修改编码器属性。例如，要生成接受三个预测变量的100个观测值的预测器数据的C/ c++代码，请指定的编码器属性为X对于编码器配置器配置：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [0 0];
[0 0]的第一个和第二个维度X(分别为观察数和预测变量数)具有固定的大小。
要允许生成的C/ c++代码接受最多100个观测值的预测器数据，请指定这些编码器属性X：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [10];
[1 0]的第一个维度X(观测数)具有可变大小和第二次维数X(预测变量的数量)有固定的大小。指定的观察数(在本例中为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，请将边界指定为正．
NumOutputs- - - - - -输出数预测
1(默认)|2
类所生成的C/ c++代码返回的输出参数的个数预测回归树模型的函数，指定为1或2。
的输出参数预测是Yfit(预测反应)和节点(用于预测的节点号)，按此顺序。预测在生成的C/ c++代码中返回第一个n本署的产出预测函数,n是NumOutputs价值。
在创建编码器配置器之后配置，您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
的NumOutputs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。目标函数generateCode生成两个入口点函数-predict.m而且update.m为预测而且更新函数的回归树模型，并为这两个入口点函数生成C/ c++代码。属性的指定值NumOutputs属性对应于入口点函数中输出参数的数量predict.m．
数据类型:双
更新参数
属性的编码器属性更新生成代码中的函数参数。的更新函数接受一个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。要在生成的代码中启用更新参数，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．
孩子们- - - - - -每个节点的子节点的编码器属性
LearnerCoderInput对象
树中每个节点的子节点的编码器属性(孩子们的回归树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(2 nd),在那里nd节点个数是否到位Mdl．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性割点，CutPredictorIndex,NodeMean．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
割点- - - - - -每个节点的切割点的编码器属性
LearnerCoderInput对象
树中每个节点的切点的编码器属性(割点的回归树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(nd - 1),在那里nd节点个数是否到位Mdl．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性孩子们，CutPredictorIndex,NodeMean．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
CutPredictorIndex- - - - - -每个节点的剪切预测器索引的编码器属性
LearnerCoderInput对象
树中每个节点的剪切预测器索引的编码器属性(CutPredictorIndex的回归树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(nd - 1),在那里nd节点个数是否到位Mdl．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性孩子们，割点,NodeMean．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
NodeMean- - - - - -每个节点的平均响应值的编码器属性
LearnerCoderInput对象
树中每个节点的平均响应值的编码器属性(NodeMean的回归树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(nd - 1),在那里nd节点个数是否到位Mdl．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性孩子们，割点,CutPredictorIndex．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
其他配置选项
OutputFileName- - - - - -生成的C/ c++代码的文件名
“RegressionTreeModel”(默认)|特征向量
生成的C/ c++代码的文件名，指定为字符向量。
目标函数generateCode的RegressionTreeCoderConfigurer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，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上通知消息的显示。
| 价值 | 描述 |
|---|---|
真正的(逻辑1) |
当对参数的编码器属性的更改导致其他依赖参数的更改时，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，因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改一个参数的编码器属性，并且修改需要后续更改其他相关参数以满足配置约束，那么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显示这些后续更改的通知消息。
在创建编码器配置器之后配置，可以使用点表示法修改详细级别。
配置。详细的= 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函数与下面三个属性相结合codegen(MATLAB编码器)，而不是使用generateCode函数。
生成两个入口点函数文件后(predict.m而且update.m)使用generateFiles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文件中包含数据预处理，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。方法生成C/ c++代码codegen(MATLAB编码器)功能和codegen参数适用于修改后的入口点函数或代码生成项目。使用本节中描述的三个属性作为设置属性的起点codegen参数。
CodeGenerationArguments- - - - - -codegen参数
单元阵列
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函数，如果您不需要自定义工作流。
而不是使用generateCode使用编码器配置器配置，可以生成C/ c++代码，如下所示:
generateFiles(配置程序)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
cgArgs因此，在打电话之前codegen．
如果修改的其他属性配置时，软件更新CodeGenerationArguments相应的属性。
数据类型:细胞
PredictInputs- - - - - -的输入参数预测
的单元格数组编码器。PrimitiveType对象
此属性是只读的。
入口点函数的输入参数predict.m的单元格数组指定，用于代码生成编码器。PrimitiveType(MATLAB编码器)对象。的编码器。PrimitiveType对象中存储的预测器数据的编码器属性X财产。
如果您修改了预测器数据的编码器属性，则软件将更新编码器。PrimitiveType相应的对象。
的编码器。PrimitiveType对象PredictInputs等于配置。CodeGenerationArguments {6}对于编码器配置器配置．
数据类型:细胞
UpdateInputs- - - - - -的可调输入参数列表更新
单元格数组的结构包括编码器。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用于代码生成，指定为包含的结构的单元格数组编码器。PrimitiveType(MATLAB编码器)对象。每一个编码器。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(更新参数属性)，然后软件进行相应的更新编码器。PrimitiveType相应的对象。如果您指定可调谐性机器学习模型参数的属性为假，然后软件删除相应的编码器。PrimitiveType对象的UpdateInputs列表。
的结构UpdateInputs等于配置。CodeGenerationArguments {3}对于编码器配置器配置．
数据类型:细胞
对象的功能
generateCode |
使用编码器配置器生成C/ c++代码 |
generateFiles |
生成MATLAB使用编码器配置器生成代码的文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
例子
使用编码器配置器生成代码
训练一个机器学习模型，然后生成代码预测而且更新通过使用编码器配置器实现模型的功能。
加载carbig数据集，其中包含汽车数据，并训练一个回归树模型。
负载carbigX =[排量马力重量];Y = mpg;Mdl = fitrtree(X,Y);
Mdl是一个RegressionTree对象。
属性的编码器配置程序RegressionTree通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X属性的编码器属性预测函数的输入。
configurer = learnerCoderConfigurer(Mdl,X)
configurer = RegressionTreeCoderConfigurer with properties: Update input: Children: [1x1 LearnerCoderInput] NodeMean: [1x1 LearnerCoderInput] CutPoint: [1x1 LearnerCoderInput] CutPredictorIndex: [1x1 LearnerCoderInput] Predict input: X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName: 'RegressionTreeModel'属性，方法
配置是一个RegressionTreeCoderConfigurer对象的编码器配置器RegressionTree对象。
要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．
为预测而且更新回归树模型的功能(Mdl)。
generateCode(配置)
generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionTreeModel。代码生成成功。
的generateCode函数完成以下操作:
生成生成代码所需的MATLAB文件，包括两个入口点函数
predict.m而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
RegressionTreeModel对于两个入口函数。中为MEX函数创建代码
codegen \墨西哥人\ RegressionTreeModel文件夹中。将MEX函数复制到当前文件夹。
控件的内容predict.m，update.m,initialize.m文件，使用类型函数。
类型predict.m
函数varargout = predict(X,varargin) %#codegen %由MATLAB自动生成，26- 11月2022 10:10:10 [varargout{1:nargout}] =初始化('predict'，X,varargin{:});结束
类型update.m
函数更新(varargin) %#codegen %由MATLAB自动生成，26-Nov-2022 10:10:10初始化('update'，varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成，26-Nov-2022 10:10:10 code .inline('always')持久化模型if isempty(模型)model = loadLearnerForCoder(' regressiontremodel .mat');end switch(command) case 'update' %更新结构字段:child % NodeMean % CutPoint % CutPredictorIndex model = update(model,varargin{:});预测输入:X X = varargin{1};if nargin == 2 [varargout{1:nargout}] = predict(模型，X);else PVPairs = cell(1,nargin-2);如果i = 1:nargin-2 pvairs {1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束
生成代码中回归树模型参数的更新
使用部分数据集训练回归树，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模型参数的编码器属性。使用编码器配置器的object函数生成C代码，用于预测新预测器数据的响应。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
加载carbig数据集，并训练回归树模型使用一半的观察。
负载carbigX =[排量马力重量];Y = mpg;rng (“默认”)%用于再现性n =长度(Y);idxTrain = randsample(n,n/2);XTrain = X(idxTrain，:);YTrain = Y(idxTrain);Mdl = fitrtree(XTrain,YTrain);
Mdl是一个RegressionTree对象。
创建编码器配置器
属性的编码器配置程序RegressionTree通过使用learnerCoderConfigurer．指定预测器数据XTrain．的learnerCoderConfigurer函数使用输入XTrain属性的编码器属性预测函数的输入。此外，将输出的数量设置为2，以便生成的代码返回预测的响应和预测的节点编号。
配置器= learnerCoderConfigurer(Mdl,XTrain，“NumOutputs”2);
配置是一个RegressionTreeCoderConfigurer对象的编码器配置器RegressionTree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，以便您可以在重新训练模型后更新生成代码中的参数。
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值。修改SizeVector而且VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而VariableDimensions属性指定预测器数据的每个维度的大小是可变的还是固定的。
configuration . x . sizevector = [Inf 3];configurer.X.VariableDimensions
ans =1x2逻辑阵列1 0
第一个维度的大小是观测的数量。属性的值SizeVector属性来正的值导致软件更改VariableDimensions属性来1．换句话说，大小的上限是正而且预测数据的大小是可变的，这意味着预测数据可以有任意数量的观测值。如果在生成代码时不知道观察数，则此规范非常方便。
第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须固定。由于预测器数据包含3个预测器，因此SizeVector属性必须为3.的值VariableDimensions属性必须为0．
如果您使用新的数据或不同的设置重新训练树模型，树中的节点数量可能会发生变化。的第一个维度SizeVector属性，以便您可以更新生成的代码中的节点数:孩子们，割点，CutPredictorIndex,或NodeMean．然后软件会自动修改其他属性。
的第一个值SizeVector属性。NodeMean财产正．软件修改SizeVector而且VariableDimensions的属性孩子们，割点,CutPredictorIndex匹配树中节点数量的新上限。的第一个值VariableDimensions的属性NodeMean更改1．
configuration . nodemean . sizevector = [Inf 1];
已修改子代的SizeVector属性以满足配置约束。已修改裁剪点的SizeVector属性以满足配置约束。已修改CutPredictorIndex的SizeVector属性以满足配置约束。已修改子项的VariableDimensions属性以满足配置约束。已修改裁剪点的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。
configurer.NodeMean.VariableDimensions
ans =1x2逻辑阵列1 0
生成代码
要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．
为预测而且更新回归树模型的功能(Mdl）.
generateCode(配置)
generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionTreeModel。代码生成成功。
的generateCode函数完成以下操作:
生成生成代码所需的MATLAB文件，包括两个入口点函数
predict.m而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
RegressionTreeModel对于两个入口函数。中为MEX函数创建代码
codegen \墨西哥人\ RegressionTreeModel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正确预测的函数Mdl和预测在MEX函数中的函数返回相同的预测响应。若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] = predict(Mdl,XTrain);[Yfit_mex,node_mex] = RegressionTreeModel(“预测”, XTrain);
比较Yfit来Yfit_mex而且节点来node_mex．
马克斯(abs (Yfit-Yfit_mex), [],“所有”)
Ans = 0
node_mex isequal(节点)
ans =逻辑1
一般来说,Yfit_mex可能包括四舍五入的差异比较Yfit．在这种情况下，比较证实了这一点Yfit而且Yfit_mex是相等的。
isequal返回逻辑1 (真正的)如果所有输入参数都相等。这一比较证实了预测的函数Mdl和预测函数返回相同的节点号。
重新训练模型和更新生成代码中的参数
使用整个数据集重新训练模型。
retrainedMdl = fitrtree(X,Y);
通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数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(配置器，retrainedMdl);
更新生成代码中的参数。
RegressionTreeModel (“更新”params)
验证生成的代码
方法的输出参数进行比较预测的函数retrainedMdl和预测在更新后的MEX函数中。
[Yfit,node] = predict(retrainedMdl,X);[Yfit_mex,node_mex] = RegressionTreeModel(“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],“所有”)
Ans = 0
node_mex isequal(节点)
ans =逻辑1
结果表明，预测的响应和节点数是一致的。
更多关于
LearnerCoderInput对象
编码器配置器使用LearnerCoderInput对象指定的编码器属性预测而且更新输入参数。
一个LearnerCoderInput对象具有以下属性，用于在生成的代码中指定输入参数数组的属性。
| 属性名称 | 描述 |
|---|---|
SizeVector |
数组大小，如果对应 数组大小的上界，如果对应 |
VariableDimensions |
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 |
可调谐性 |
指示是否存在的指标 如果指定其他属性值时 |
创建编码器配置器后，可以使用点表示法修改编码器属性。属性的编码器属性割点编码器配置程序的属性配置：
configuration . cutpoint . sizevector = [40 1];configuration . cutpoint . variabledimensions = [1 0];
详细的),真正的(默认)，则当您修改机器学习模型参数的编码器属性，且该修改更改了其他依赖参数的编码器属性时，软件将显示通知消息。
版本历史
R2019b引入
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。