主要内容

RegressionTreeCoderConfigurer

用于回归的二叉决策树模型的编码器配置器

全部展开页面

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特性来配置代码生成选项、生成C/ c++代码以及更新生成代码中的模型参数。

  • 配置代码生成选项，并通过使用对象属性为树模型参数指定编码器属性。

  • 生成C/ c++代码预测和更新利用回归树模型的函数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，而不需要重新生成代码。当您使用新数据或设置重新训练树模型时，该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，请使用validatedUpdateInputs验证并提取要更新的模型参数。

此流程图显示了使用编码器配置器的代码生成工作流。

两个代码生成工作流:第一个在训练模型之后，第二个在重新训练相同的模型之后。第一个工作流，步骤1:创建一个编码器配置器。步骤2:生成代码。步骤3:验证生成的代码。第二个工作流，步骤1:检查更新是否有效。是= >步骤2;否，执行第一个工作流的第一步。步骤2:更新生成代码中的模型参数。

有关回归树模型的代码生成使用说明和限制，请参阅CompactRegressionTree，预测,更新．

创建

通过使用训练回归树模型fitrtree，使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer．属性的编码器属性预测和更新参数。然后,用generateCode根据指定的编码器属性生成C/ c++代码。

属性

全部展开

预测参数

属性的编码器属性预测生成的代码中的函数参数。

Coder属性的预测器数据传递到生成的C/ c++代码预测回归树模型的函数，指定为LearnerCoderInput对象。

控件创建编码器配置器时learnerCoderConfigurer函数的输入参数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—取值为[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector上限值是行数，第二个值是SizeVector为列数。

  • 数据类型—取值为单或双．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。

您可以使用点表示法修改编码器属性。例如，要生成接受带有三个预测变量的100个观察值的预测数据的C/ c++代码，指定这些编码器属性X用于编码器配置器配置：

configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configurer.X.VariableDimensions = [0 0];
[0 0]表示的第一个和第二个维度X(观测数和预测变量数分别)有固定的大小。

要允许生成的C/ c++代码接受多达100个观测值的预测数据，请指定这些编码器属性X：

configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configurer.X.VariableDimensions = [1 0];
[1 0]表示的第一个维度X(观察的数量)有一个可变的大小和第二个维度X(预测变量的数量)有一个固定的大小。在本例中，指定的观察数(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，请指定范围为正．

的生成的C/ c++代码中返回的输出参数的数量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)，按此顺序排列。预测在生成的C/ c++代码中返回第一个n输出的预测函数,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”编译器选项的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。的目标函数generateCode生成两个入口点函数predict.m和update.m为预测和更新并为这两个入口点函数生成C/ c++代码。的指定值NumOutputs属性对应于入口点函数中的输出参数数量predict.m．

数据类型:双

更新参数

属性的编码器属性更新生成的代码中的函数参数。的更新函数接受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。要启用更新生成代码中的参数，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．

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对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—默认值为(2 nd),在那里nd节点数在吗Mdl．

  • VariableDimensions—取值为[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector上限值是行数，第二个值是SizeVector为列数。

  • 数据类型—取值为“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．

如果你修改SizeVector是newnd，然后软件修改的第一个维度SizeVector属性newnd的属性割点，CutPredictorIndex,NodeMean．类似地，如果你修改VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性1这些属性。

树中每个节点的切割点的编码属性(割点的回归树模型)，指定为LearnerCoderInput对象。

属性的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—默认值为(nd - 1),在那里nd节点数在吗Mdl．

  • VariableDimensions—取值为[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector上限值是行数，第二个值是SizeVector为列数。

  • 数据类型—取值为“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．

如果你修改SizeVector是newnd，然后软件修改的第一个维度SizeVector属性newnd的属性孩子们，CutPredictorIndex,NodeMean．类似地，如果你修改VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性1这些属性。

树中每个节点的cut预测器索引的编码属性(CutPredictorIndex的回归树模型)，指定为LearnerCoderInput对象。

属性的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—默认值为(nd - 1),在那里nd节点数在吗Mdl．

  • VariableDimensions—取值为[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector上限值是行数，第二个值是SizeVector为列数。

  • 数据类型—取值为“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．

如果你修改SizeVector是newnd，然后软件修改的第一个维度SizeVector属性newnd的属性孩子们，割点,NodeMean．类似地，如果你修改VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性1这些属性。

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对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—默认值为(nd - 1),在那里nd节点数在吗Mdl．

  • VariableDimensions—取值为[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector上限值是行数，第二个值是SizeVector为列数。

  • 数据类型—取值为“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．

如果你修改SizeVector是newnd，然后软件修改的第一个维度SizeVector属性newnd的属性孩子们，割点,CutPredictorIndex．类似地，如果你修改VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性1这些属性。

其他配置选项

生成的C/ c++代码的文件名，指定为字符向量。

的目标函数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，您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中通知消息的显示。

价值 描述
真正的(逻辑1) 当您对参数的编码器属性的更改导致其他相关参数的更改时，该软件将显示通知消息。
假(逻辑0) 该软件不显示通知消息。

要在生成的代码中启用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。参数的编码属性彼此依赖，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参数的编码器属性，并且该修改需要随后更改其他相关参数以满足配置约束，则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为这些后续更改显示通知消息。

在创建编码器配置器之后配置，您可以使用点表示法修改详细程度。

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函数和下面三个属性codegen(MATLAB编码器)，而不是使用generateCode函数。

在生成两个入口点函数文件(predict.m和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文件以包含数据预处理，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。然后，您可以通过使用codegen(MATLAB编码器)函数和codegen适合于修改的入口点函数或代码生成项目的参数。使用本节中描述的三个属性作为起点来设置codegen参数。

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您的工作流。

而不是使用generateCode使用编码器配置器配置，你可以生成C/ c++代码如下:

generateFiles(配置器)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
如果您自定义代码生成工作流，请修改cgArgs因此之前调用codegen．

修改的其他属性配置，则软件更新CodeGenerationArguments相应的属性。

数据类型:细胞

此属性是只读的。

入口点函数的输入参数predict.m对于代码生成，指定为单元格数组编码器。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。

如果你修改了预测器数据的编码属性，那么软件就会更新编码器。PrimitiveType相应的对象。

的编码器。PrimitiveType对象PredictInputs相当于配置。CodeGenerationArguments {6}用于编码器配置器配置．

数据类型:细胞

此属性是只读的。

入口点函数的可调输入参数列表update.m对于代码生成，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修改模型参数的编码器属性(更新参数属性)，然后软件更新相应的编码器。PrimitiveType相应的对象。如果指定可调谐性机器学习模型参数的属性为假，则软件删除相应的编码器。PrimitiveType对象的UpdateInputs列表。

的结构UpdateInputs相当于配置。CodeGenerationArguments {3}用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

全部折叠

这个示例使用:

打开生活的脚本

训练一个机器学习模型，然后生成代码预测和更新通过使用编码器配置器来实现模型的功能。

加载carbig数据集，其中包含汽车数据，并训练回归树模型。

负载carbigX =[排量马力重量];Y = MPG;Mdl = fitrtree (X, Y);

Mdl是一个RegressionTree对象。

控件创建一个编码器配置器RegressionTree模型通过使用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。

X配置= learnerCoderConfigurer (Mdl)
configurer = RegressionTreeCoderConfigurer with properties: Update Inputs: Children: [1x1 LearnerCoderInput] NodeMean: [1x1 LearnerCoderInput] CutPoint: [1x1 LearnerCoderInput] CutPredictorIndex: [1x1 LearnerCoderInput] Predict Inputs: X: [1x1 LearnerCoderInput] Code Generation Parameters: NumOutputs: 1 OutputFileName:“RegressionTreeModel”属性,方法

配置是一个RegressionTreeCoderConfigurer对象的编码配置器RegressionTree对象。

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器．

为预测和更新回归树模型的功能(Mdl)的默认设置。

generateCode(配置)
generateCode在输出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函数完成这些动作:

  • 生成MATLAB文件所需的生成代码，包括两个入口点函数predict.m和update.m为预测和更新的功能Mdl,分别。

  • 创建一个名为RegressionTreeModel对于两个入口点函数。

  • 控件中创建MEX函数的代码codegen \墨西哥人\ RegressionTreeModel文件夹中。

  • 将MEX函数复制到当前文件夹。

显示的内容predict.m，update.m,initialize.m文件，使用类型函数。

类型predict.m
function varargout = predict(X,varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:43:48 [varargout{1:nargout}] = initialize('predict'，X,varargin{:});结束
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:43:48 initialize('update'，varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:43:48 code .inline('always') persistent model if isempty(model) model = loadLearnerForCoder(' regressiontremodel .mat');end switch(command) case 'update' % update struct fields: Children % NodeMean % CutPoint % CutPredictorIndex model = update(model,varargin{:});case 'predict' %预测输入:X X = varargin{1};if nargout == 2 [varargout{1:nargout}] = predict(model,X);else PVPairs = cell(1,nargin-2);for i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束结束

这个示例使用:

打开生活的脚本

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对象函数来生成C代码，用于预测新的预测器数据的响应。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”）%的再现性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

控件创建一个编码器配置器RegressionTree模型通过使用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。另外，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号。

配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”2);

配置是一个RegressionTreeCoderConfigurer对象的编码配置器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。修改SizeVector和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是具有可变大小还是固定大小。

[Inf 3];configurer.X.VariableDimensions
ans =1 x2逻辑阵列１ ０

第一个维度的大小是观测的次数。的值SizeVector属性来正导致软件修改VariableDimensions属性来1．换句话说，大小的上限是正它的大小是可变的，这意味着预测数据可以有任意数量的观测数据。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须是固定的。由于预测器数据包含3个预测器，因此SizeVector属性必须3.以及它的价值VariableDimensions属性必须0．

如果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有所不同。因此，指定的第一个维度SizeVector属性，以便更新生成的代码中的节点数量: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的属性NodeMean财产正．软件修改SizeVector和VariableDimensions的属性孩子们，割点,CutPredictorIndex以匹配树中节点数目的新上限。的第一个值VariableDimensions的属性NodeMean更改1．

[Inf 1];
修改了Children的sizeevector属性以满足配置约束。CutPoint的SizeVector属性已被修改以满足配置约束。CutPredictorIndex的SizeVector属性已被修改以满足配置约束。已修改Children的VariableDimensions属性以满足配置约束。已修改CutPoint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 =1 x2逻辑阵列１ ０

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器．

为预测和更新回归树模型的功能(Mdl)。

generateCode(配置)
generateCode在输出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函数完成这些动作:

  • 生成MATLAB文件所需的生成代码，包括两个入口点函数predict.m和update.m为预测和更新的功能Mdl,分别。

  • 创建一个名为RegressionTreeModel对于两个入口点函数。

  • 控件中创建MEX函数的代码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预测的函数Mdl和预测函数返回相同的预测响应。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、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, XTrain);

比较Yfit来Yfit_mex和节点来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可能包括舍入差异与Yfit．在本例中，比较证实了这一点Yfit和Yfit_mex是相等的。

isequal返回逻辑1 (真正的)，如果所有输入参数相等。比较证实了预测的函数Mdl和预测函数中返回相同的节点号。

在生成的代码中重新训练模型和更新参数

使用整个数据集重新训练模型。

retrainedMdl = fitrtree (X, Y);

使用提取要更新的参数validatedUpdateInputs．该函数检测修改后的模型参数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、retrainedMdl);

更新生成代码中的参数。

RegressionTreeModel (“更新”params)

验证生成的代码

的输出参数比较预测的函数retrainedMdl和预测函数。

[Yfit、节点]=预测(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

通过比较，确认了预测响应和节点数是相等的。

更多关于

全部展开

另请参阅

||||

主题

介绍了R2019b

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书