モデルの学習

フィッシャーのアヤメのデータセットを読み込みます。観測された setosa 種のアヤメをすべて削除して、2 つのクラスのデータのみがXとYに含まれるようにします。

loadfisheririsinds = ~strcmp(species,'setosa'); X = meas(inds,:); Y = species(inds);

処理済みのデータセットを使用して、サポート ベクター マシン (SVM) 分類モデルに学習をさせます。

Mdl = fitcsvm(X,Y);

MdlはClassificationSVMモデルです。

モデルの保存

saveLearnerForCoderを使用して、SVM 分類モデルをSVMIris.matというファイルに保存します。

saveLearnerForCoder(Mdl,'SVMIris');

エントリポイント関数の定義

以下を行うclassifyIrisという名前のエントリポイント関数を定義します。

typeclassifyIris.m% Display contents of classifyIris.m file

function label = classifyIris(X) %#codegen %CLASSIFYIRIS Classify iris species using SVM Model % CLASSIFYIRIS classifies the iris flower measurements in X using the SVM % model in the file SVMIris.mat, and then returns class labels in label. Mdl = loadLearnerForCoder('SVMIris'); label = predict(Mdl,X); end

MATLAB のアルゴリズムについてのコードを生成しようとしていることを指示するため、コンパイラ命令%#codegen(またはプラグマ) をエントリポイント関数のシグネチャの後に追加します。この命令を追加すると、MATLAB Code Analyzer はコード生成時にエラーになる違反の診断と修正を支援します。

メモ:この例の右上にあるボタンをクリックしてこの例を MATLAB® で開くと、例のフォルダーが開きます。このフォルダーには、エントリポイント関数のファイルが含まれています。

コードの生成

codegen(MATLAB Coder)を使用して,エントリポイント関数のコードを生成します。C および C++ は静的な型の言語なので、エントリポイント関数内のすべての変数のプロパティをコンパイル時に決定しなければなりません。-argsオプションの値としてXを渡し、生成コードが学習データXと同じデータ型および配列サイズをもつ入力を受け入れなければならないことを指定します。コンパイル時に観測値の個数が不明である場合、coder.typeof(MATLAB Coder)を使用して可変サイズの入力を指定することもできます。詳細は、コード生成用の可変サイズ引数の指定とエントリポイント関数の入力のプロパティの指定(MATLAB Coder)を参照してください。

codegenclassifyIris-args{X}

Code generation successful.

codegenは、プラットフォームに依存する拡張子をもつ MEX 関数classifyIris_mexを生成します。

生成されたコードの確認

predict、classifyIrisおよびclassifyIris_mexを使用して分類されたラベルを比較します。

label1 = predict(Mdl,X); label2 = classifyIris(X); label3 = classifyIris_mex(X); verify_label = isequal(label1,label2,label3)

verify_label =logical1

isequalは、すべての入力が等しいことを意味する logical 1 (true) を返します。3 つの方法で分類したラベルは、すべて同じです。

モデルの学習

fisheririsデータセットを読み込みます。150 本のアヤメについて 4 つの花弁の測定値が含まれる数値行列Xを作成します。対応するアヤメの種類が含まれる文字ベクトルの cell 配列Yを作成します。

loadfisheririsX = meas; Y = species;

予測子Xとクラス ラベルYを使用して、単純ベイズ分類器の学習を行います。

Mdl = fitcnb(X,Y);

Mdlは学習させたClassificationNaiveBayes分類器です。

モデルの保存

saveLearnerForCoderを使用して、単純ベイズ分類モデルをnaiveBayesIris.matというファイルに保存します。

saveLearnerForCoder(Mdl,'naiveBayesIris');

エントリポイント関数の定義

以下を行うclassifyIrisSingleという名前のエントリポイント関数を定義します。

typeclassifyIrisSingle.m

function label = classifyIrisSingle(X) %#codegen % CLASSIFYIRISSINGLE Classify iris species using single-precision naive % Bayes model % CLASSIFYIRISSINGLE classifies the iris flower measurements in X using the % single-precision naive Bayes model in the file naiveBayesIris.mat, and % then returns the predicted labels in label. Mdl = loadLearnerForCoder('naiveBayesIris','DataType','single'); label = predict(Mdl,X); end

MATLAB のアルゴリズムについてのコードを生成しようとしていることを指示するため、コンパイラ命令%#codegen(またはプラグマ) をエントリポイント関数のシグネチャの後に追加します。この命令を追加すると、MATLAB Code Analyzer はコード生成時にエラーになる違反の診断と修正を支援します。

メモ:この例の右上にあるボタンをクリックしてこの例を MATLAB で開くと、MATLAB で例のフォルダーが開きます。このフォルダーには、エントリポイント関数のファイルが含まれています。

コードの生成

codegen(MATLAB Coder)を使用して,エントリポイント関数のコードを生成します。C および C++ は静的な型の言語なので、エントリポイント関数内のすべての変数のプロパティをコンパイル時に決定しなければなりません。-argsオプションの値としてXを渡し、生成コードが学習データXと同じデータ型および配列サイズをもつ入力を受け入れなければならないことを指定します。コンパイル時に観測値の個数が不明である場合、coder.typeof(MATLAB Coder)を使用して可変サイズの入力を指定することもできます。詳細は、コード生成用の可変サイズ引数の指定とエントリポイント関数の入力のプロパティの指定(MATLAB Coder)を参照してください。

Xpred = single(X); codegenclassifyIrisSingle-argsXpred

Code generation successful.

codegenは、プラットフォームに依存する拡張子をもつ MEX 関数classifyIrisSingle_mexを生成します。

生成されたコードの確認

predict、classifyIrisSingleおよびclassifyIrisSingle_mexを使用して分類されたラベルを比較します。

label1 = predict(Mdl,X); label2 = classifyIrisSingle(X); label3 = classifyIrisSingle_mex(Xpred); verify_label = isequal(label1,label2,label3)

verify_label =logical1

isequalは、すべての入力が等しいことを意味する logical 1 (true) を返します。3 つの方法で分類したラベルは、すべて同じです。生成された MEX 関数classifyIrisSingle_mexと関数predictが同じ分類結果を生成しない場合は、不正に分類されたラベルの割合を計算できます。

sum(strcmp(label3,label1)==0)/numel(label1)*100

ans = 0

モデルの学習

ionosphereデータセットを読み込み、バイナリ SVM 分類モデルに学習をさせます。

loadionosphereMdl = fitcsvm(X,Y,'KernelFunction','gaussian');

MdlはClassificationSVMモデルです。

モデルの保存

saveLearnerForCoderを使用して、SVM 分類モデルをmyMdl.matというファイルに保存します。

saveLearnerForCoder(Mdl,'myMdl');

固定小数点データ型の定義

generateLearnerDataTypeFcnを使用して、SVM モデルの予測に必要な変数の固定小数点データ型を定義する関数を生成します。

generateLearnerDataTypeFcn('myMdl',X)

generateLearnerDataTypeFcnは関数myMdl_datatypeを生成します。

myMdl_datatypeを使用して、固定小数点データ型を定義する構造体Tを作成します。

T = myMdl_datatype('Fixed')

T =struct with fields:XDataType: [0x0 embedded.fi] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

構造体Tには、関数predictの実行に必要な名前付きの内部変数に対するフィールドが含まれています。各フィールドには、fi(Fixed-Point Designer)で返される固定小数点オブジェクトが含まれています。固定小数点オブジェクトは、語長や小数部の長さなどの固定小数点データ型のプロパティを指定します。たとえば、予測子データの固定小数点データ型プロパティを表示します。

T.XDataType

ans = [] DataTypeMode: Fixed-point: binary point scaling Signedness: Signed WordLength: 16 FractionLength: 14 RoundingMethod: Floor OverflowAction: Wrap ProductMode: FullPrecision MaxProductWordLength: 128 SumMode: FullPrecision MaxSumWordLength: 128

エントリポイント関数の定義

以下を行うmyFixedPointPredictという名前のエントリポイント関数を定義します。

typemyFixedPointPredict.m% Display contents of myFixedPointPredict.m file

function [label,score] = myFixedPointPredict(X,T) %#codegen Mdl = loadLearnerForCoder('myMdl','DataType',T); [label,score] = predict(Mdl,X); end

メモ:この例の右上にあるボタンをクリックして MATLAB® で例を開くと、MATLAB は例のフォルダーを開きます。このフォルダーには、エントリポイント関数のファイルが含まれています。

コードの生成

構造体TのXDataTypeフィールドは予測子データの固定小数点データ型を指定します。関数cast(Fixed-Point Designer)を使用してXをT.XDataTypeで指定された型に変換します。

X_fx = cast(X,'like',T.XDataType);

codegenを使用して,エントリポイント関数のコードを生成します。X_fxと定数畳み込みされたTをエントリポイント関数の入力引数として指定します。

codegenmyFixedPointPredict-args{X_fx,coder.Constant(T)}

Code generation successful.

codegenは、プラットフォームに依存する拡張子をもつ MEX 関数myFixedPointPredict_mexを生成します。

生成されたコードの確認

予測子データをpredictとmyFixedPointPredict_mexに渡し、出力を比較します。

[labels,scores] = predict(Mdl,X); [labels_fx,scores_fx] = myFixedPointPredict_mex(X_fx,T);

predictとmyFixedPointPredict_mexからの出力を比較します。

verify_labels = isequal(labels,labels_fx)

verify_labels =logical1

isequalは、logical 1 (true) を返します。これはlabelsとlabels_fxが等しいことを意味します。ラベルが等しくない場合、不正に分類されたラベルの割合を次のように計算できます。

sum(strcmp(labels_fx,labels)==0)/numel(labels_fx)*100

ans = 0

スコア出力間の相対的な差分の最大値を求めます。

relDiff_scores = max(abs((scores_fx.double(:,1)-scores(:,1))./scores(:,1)))

relDiff_scores = 0.0055

比較結果に満足せず、生成されたコードの精度を向上させる場合、固定小数点データ型を調整し、コードを再生成できます。詳細については、generateLearnerDataTypeFcnのヒント、データ型関数およびSVM の予測用の固定小数点コード生成を参照してください。