Main Content

Predict Class Labels Using Stateflow

This example uses:

Open Live Script

这个例子展示了如何使用一个Stateflow®图for label prediction. The example trains a discriminant analysis model for the Fisher iris data set by usingfitcdiscr，并定义代码生成的功能，该函数加载了训练有素的模型并预测新数据的标签。该示例中的状态流图接受流数据并使用定义的函数预测标签。

Fisher的虹膜数据集包含在统计和机器学习工具箱中，其中包含物种（species）和测量（meas）on sepal length, sepal width, petal length, and petal width for 150 iris specimens. The data set contains 50 specimens from each of three species: setosa, versicolor, and virginica.

加载Fisher Iris数据集。

加载fisheriris

兑换speciesto an index vector where 1, 2, and 3 correspond to setosa, versicolor, and virginica, respectively.

物种= grp2idx（物种）;

Partition the data into a training set and a test set.

rng('default'）% For reproducibilityidx1 = randperm(150,75)'; idx2 = setdiff((1:150)',idx1); X = meas(idx1,:); Y = species(idx1,:); trainX = meas(idx2,:); trainY = species(idx2,:);

UsetrainXandtrainYto train a model, and useXandyto test the trained model.

Train a quadratic discriminant analysis model.

Mdl = fitcdiscr(trainX,trainY,“歧视”，，，，'quadratic'）;

Mdl是一个分类歧视模型。在命令行，您可以使用Mdlto make predictions for new observations. However, you cannot useMdl作为代码生成函数中的输入参数。准备Mdl通过使用saveLearnerForCoder。

saveLearnerForCoder(Mdl,``distiris''）;

saveLearnerForCodercompactsMdland saves it in the MAT-filedistiris.mat。

要在状态流模型的显示框中显示预测的物种，请使用ClassDefMATLAB®文件中的块irisspecies.m。

ClassDefirisspecies 枚举setosa（1）versicolor（2）virginica（3）结尾结尾

For details about enumerated data, seeDefine Enumerated Data Types（状态流）。

定义一个名称的函数mypredict.mthat predicts the iris species from new measurement data by using the trained model. The function should:

  • Include the code generation directive％＃codegensomewhere in the function.

  • Accept iris measurement data. The data must be consistent with X except for the number of rows.

  • Loaddistiris.mat使用LOADLEARNERNERNERFORCODER。

  • 返回预测的虹膜物种。

function标签= mypredict（x）％＃codegen%MYPREDICT Predict species of iris flowers using discriminant model% mypredict predicts species of iris flowers using the compact% discriminant model in the file DiscrIris.mat. Rows of X correspond to% observations and columns correspond to predictor variables. label is％预测物种。mdl = loadlearnernerforcoder（``distiris''）;labelTemp = predict(mdl,X); label = IrisSpecies(labelTemp);结尾

Open the Simulink® modelsf_countflowers.slx。

sfname ='sf_countflowers';Open_System（sfname）;

这些图显示了Simulink模型和状态流图中包含金宝app的流程图。当输入节点检测到测量数据时，它将数据引导到图表中。然后，图表预测了虹膜花的一种物种，并计算每个物种的花数。该图将预测的物种返回到工作区，并一次显示模型中的物种。数据存储存储器块NumFlowersstores the number of flowers for each species.

该图希望将输入数据作为一个称为的结构数组接收Fisheririsinputcontaining these fields:

  • 时间- 观测值进入模型的时间点。在示例中，持续时间包括0到74的整数。时间必须对应于预测数据数据中的观察结果。因此，在此示例中，时间must be a column vector.

  • 信号- A 1-by-1 structure array describing the input data and containing the fieldsvaluesanddimensions。Thevaluesfield is a matrix of predictor data. Thedimensions字段是预测变量的数量。

为虹膜花的测量创建适当的结构阵列。

Fisheririsinput。时间= (0:74)'; fisheririsInput.signals.dimensions = 4; fisheririsInput.signals.values = X;

您可以从中更改名称Fisheririsinput，然后在模型中指定新名称。但是，状态流期望结构数组包含所述的字段名称。有关更多详细信息，请参阅Loading Data Structures to Root-Level Inputs（金宝appSimulink）。

模拟模型。

SIM（sfname）

The figure shows the model after it processes all observations inFisheririsinput， 一次一个。预测的物种X(75,:)is virginica. The number of setosa, versicolor, and virginica inXis 22, 22, and 31, respectively.

The variablelogsout出现在工作区中。logsout是一个金宝appsimulinkdata.dataset包含预测物种的物体。从模拟日志中提取预测的物种数据。

labelsf = logSout.getElement（1）.values.data;

使用命令行预测物种predict。

labelCMD = predict(Mdl,X);

比较返回的预测物种sf_countflowers通过打电话给那些predict在命令行。

iSequal（LabelCMD，labelsf）
ans =逻辑1

是平等的returns logical 1 (true）如果所有输入都相等。这种比较证实了sf_countflowers返回预期结果。

如果您还拥有Simulink Code金宝appr™许可证，则可以从sf_countflowers.slx在Si金宝appmulink或从命令行中使用rtwbuild（金宝appSimulink编码器）。有关更多详细信息，请参阅Generate C Code for a Model（金宝appSimulink编码器）。

也可以看看

|||（金宝appSimulink）

Related Topics