標本デ，タの読み込み

標本デ，タを読み込み，デ，タを分類学習器アプリに，ンポ，トします。

病人デ，タセットを読み込みます。p個の予測子で構成される予測子デ，タXと応答変数Yを指定します。

负载病人X =[年龄舒张高度收缩压体重];p = size(X,2);Y =性别;

[アプリ]タブで，[アプリ]セクションの右にある[さらに表示]矢印をクリックしてギャラリ，を表示し，[分類学習器]を選択します。[分類学習器]タブの[ファ电子邮箱ル]セクションで，[新規セッション]，[ワ.クスペ.スから]を選択します。

[ワクスペスからの新規セッション]ダアログボックスの[デ，タセット変数]で，ワ，クスペ，ス変数のリストからX選択します。[応答]の[ワ，クスペ，スから]オプションボタンをクリックし，リストからYを選択します。既定の検証方式をそのまま使用して続行するため，[セッションの開始]をクリックします。既定の検証オプションは5分割交差検証であるため，過適合が防止されます。

分類学習器の既定の設定では，デ，タの散布図が作成されます。

ロジスティック回帰モデルの学習

分類学習器アプリでロジスティック回帰モデルに学習させます。

[分類学習器]タブの[モデル]セクションで[さらに表示]矢印をクリックして分類器のギャラリ，を表示します。[ロジスティック回帰分類器]セクションで[ロジスティック回帰]モデルをクリックします。[学習]セクションで，[すべてを学習]をクリックして[選択を学習]を選択します。モデルの学習が行われ，交差検証精度スコアが[精度 (検証)]に表示されます。

ワ，クスペ，スへのモデルのエクスポ，ト

モデルをmatlab®ワクスペスにエクスポトし，saveLearnerForCoderを使用して保存します。

[エクスポ，ト]セクションで[モデルのエクスポ，ト]，[コンパクトモデルのエクスポ，ト]を選択します。ダ电子邮箱アログボックスで，trainedLogisticRegressionModelをモデル名として指定し，(好的)をクリックします。

構造体trainedLogisticRegressionModelがmatlabワ，クスペ，スに表示されます。trainedLogisticRegressionModelのGeneralizedLinearModelフィ，ルドにコンパクトモデルが含まれています。

メモ:この例をすべてのサポートファイルを含めて実行する場合は,モデルをエクスポートする代わりに,コマンドラインでtrainedLogisticRegressionModel.matファ@ @ルを読み込むことができます。trainedLogisticRegressionModel構造体は前の手順を使用して作成されたものです。

负载(“trainedLogisticRegressionModel.mat”）

コマンドラ@ @ンで，現在のフォルダ@ @のmyModel.matという名前のファ@ @ルにコンパクトモデルを保存します。

saveLearnerForCoder (trainedLogisticRegressionModel。GeneralizedLinearModel,“myModel”）

さらに，学習させたモデルの成功，失敗，および欠落したクラスの名前を保存します

classNames = {trainedLogisticRegressionModel。SuccessClass,.．.trainedLogisticRegressionModel.FailureClass trainedLogisticRegressionModel.MissingClass};保存(“ModelParameters.mat”，“类名”）;

予測用のcコ，ドの生成

予測のためのエントリポ电子邮箱ント関数を定義し，codegenを使用して関数のコ，ドを生成します。

現在のフォルダ，で，以下を行うclassifyX.mという名前の関数を定義します。

函数标签=分类(X)% # codegen使用逻辑回归模型进行分类% CLASSIFYX对X中的测量值进行分类使用myModel.mat文件中的逻辑回归模型，然后返回label中的类标签。n = size(X,1);Label = code .nullcopy(cell(n,1));CompactMdl = loadLearnerForCoder(“myModel”）;probability = predict(CompactMdl,X);指数= ~isnan(概率).*((概率<0.5)+1)+ isnan(概率)*3;classInfo = code .load(“ModelParameters”）;classNames = classInfo.classNames;为i = 1:n label{i} = classNames{index(i)};结束结束

メモ:特徴選択や主成分分析(PCA)の使用後に分類学習器でロジスティック回帰モデルを作成する場合は,エントリポイント関数のコードに追加の行を含めなければなりません。それらの追加の手順の例にいては，コ，ド生成と分類学習器アプリを参照してください。

classifyX.mからmex関数を生成します。coder.typeofを使用して，コ，ド生成用の行列数据を作成します。数据の行数が任意であり数据の列数がpであることを指定します。pはロジスティック回帰モデルの学習に使用した予測子の数です。arg游戏オプションを使用して，数据を引数として指定します。

数据=编码器。typeof(X，[Inf p]，[10 0]);codegenclassifyX.marg游戏数据

代码生成成功。

codegenはmexファ超市ルclassifyX_mex.mex64を現在のフォルダ，に生成します。ファ▪▪ルの拡張子はプラットフォ▪▪ムによって異なります。

予期されるラベルをmex関数が返すことを確認します。Xから15個の観測値を無作為に抽出します。

rng (“默认”）%用于再现性testX = datasample(X,15);

分類学習器で学習させた分類モデルで関数predictFcnを使用して観測値を分類します。

testLabels = trainedLogisticRegressionModel.predictFcn(testX);

生成されたmex関数classifyX_mexを使用して観測値を分類します。

testLabelsMEX = classifyX_mex(testX);

予測子のセットを比較します。testLabelsとtestLabelsMEXが等しい場合，isequalは逻辑1 (true)を返します。

isequal (testLabels testLabelsMEX)

ans =逻辑1

predictFcnとmex関数classifyX_mexで同じ値が返されています。