在命令窗口中,加载病人数据集,创建一个表中的变量数据集的一个子集。每一行patientTbl对应于一个病人,每一列对应一个诊断变量。

负载病人patientTbl =表(年龄、舒张压、性别、身高、…SelfAssessedHealthStatus、收缩压、体重、吸烟);

转换SelfAssessedHealthStatus变量顺序分类预测。

patientTbl。SelfAssessedHealthStatus =分类(patientTbl.SelfAssessedHealthStatus,…(“穷”,“公平”,“好”,“优秀”),“顺序”,真正的);

从命令窗口,打开分类学习者应用。填充新会话参数与预测数据对话框patientTbl和响应变量吸烟者。

classificationLearner (patientTbl“抽烟”)

接受选择的新会话参数对话框,继续,点击开始会议。

培训所有预设的模型。在分类学习者选项卡,模型部分,单击箭头打开画廊。在开始组中,单击所有。在火车部分中,点击火车都并选择火车都。应用列车所有预设的模型,以及默认好树模型,并显示的模型模型窗格。

这个应用程序显示一个混淆矩阵的第二好树模型(模型2.1)。蓝色值指示正确分类,红色值显示不正确的分类。的模型左边的面板显示了每个模型的验证的准确性。

基于验证的模型精度。在模型窗格中,打开排序列表并选择准确性(验证)。应用程序概述了标准最高的模型(或模型)验证精度。

选择模型模型窗格中精度最高的验证。

导出部署到所选模型MATLAB生产服务器。在分类学习者选项卡上,单击出口,点击出口模式并选择出口模式部署。

在选择项目文件模型部署对话框中,选择您的项目文件的位置和名称。对于这个示例,使用默认的项目名称ClassificationLearnerDeployedModel.prj。点击保存。

生产服务器编译器打开的软件应用程序和自动生成predictFunction.m文件。

在编译器标签的生产服务器编译器应用,导出功能部分包含的文件modelInformation.m和predictFunction.m。一节你所需的额外文件存档包括文件processInputData.m和TrainedClassificationModel.mat。

更新文件中的代码processInputData.m和predictFunction.m包括执行预处理步骤之前进口数据分类学习者。打开processInputData.m文件从ClassificationLearnerDeployedModel_resources文件夹,然后更改代码的转换SelfAssessedHealthStatus变量顺序分类预测。

函数processedData = processInputData T (T)。SelfAssessedHealthStatus= categorical(T.SelfAssessedHealthStatus,…(“穷”,“公平”,“好”,“优秀”),“顺序”,真正的);processedData = T;结束

在predictFunction.m文件,取消注释以下行代码,这样predictFunction函数调用的processInputData函数。

processedData = processInputData (T);T = processedData;

编辑predictFunction.m代码的函数返回两个输出,标签和分数,而不是单一的输出结果。更新的函数签名的第一行代码。

函数(标签、分数)= predictFunction(变长度输入宗量)

(标签、分数)= model.predictFcn (T);

也更新注释掉的描述predictFunction功能包括新的输出参数的描述。标签包含标签返回的训练模型,预测分数包含预测分数返回的训练模式。

关闭文件predictFunction.m和processInputData.m。

在生产服务器编译器应用程序,单击测试客户端按钮测试上节编译器选项卡。

在测试选项卡,服务器操作部分,单击开始按钮。请注意地址中列出服务器地址在这个例子中是窗格http://localhost: 9910 / DeployedClassificationModel。

MATLAB的打开一个新实例。

在新的MATLAB实例,生产服务器编译器应用程序自动打开。关闭这个应用程序的实例。

在新的MATLAB实例的命令窗口,负荷预测和响应数据。确保数据具有相同的格式作为训练数据分类学习者使用。

负载病人patientTbl =表(年龄、舒张压、性别、身高、…SelfAssessedHealthStatus、收缩压、体重、吸烟);patientTbl。SelfAssessedHealthStatus =分类(patientTbl.SelfAssessedHealthStatus,…(“穷”,“公平”,“好”,“优秀”),“顺序”,真正的);

准备发送的数据MATLAB生产服务器。

你必须分类变量和表转换为细胞数组和结构,分别在发送之前MATLAB生产服务器。因为SelfAssessedHealthStatus是分类变量和patientTbl是一个表,过程输入数据发送前进一步。

inputTbl = patientTbl;columnNames = patientTbl.Properties.VariableNames;为i = 1:长度(columnNames)如果iscategorical (patientTbl。(columnNames{我}))inputTbl。(columnNames{我})= cellstr (patientTbl。(columnNames{我}));结束结束inputData = table2struct (inputTbl);

把输入数据MATLAB生产服务器。使用服务器地址显示在生产服务器编译器应用程序。

jsonData = mps.json.encoderequest ({inputData},“Nargout”2);URL =“http://localhost: 9910 / DeployedClassificationModel / predictFunction”;选择= weboptions (“MediaType”,“application / json”,“超时”,30);响应= webwrite (URL、jsonData选项);

在最初的MATLAB实例中,打开生产服务器编译器程序,MATLAB执行请求窗格下测试选项卡显示一个成功的请求服务器和MATLAB端之间。

在新的MATLAB实例的命令窗口,提取标签和分数的预测响应变量。检查预测的值是正确的。

标签= response.lhs {1};成绩= response.lhs {2};

在最初的MATLAB实例中,在生产服务器编译器应用程序,点击停止在服务器操作上节测试选项卡。在关闭部分中,点击关闭测试。

使用生产服务器编译器应用程序打包您的模型和预测功能。在编译器选项卡,包部分,单击包按钮。

在包的对话框,确认选择打开流程完成时输出文件夹被选中。

部署过程完成后,检查生成的输出。