RegressionLinearCoderConfigurer
用于高维数据线性回归模型的编码器配置器
描述
一个RegressionLinearCoderConfigurer
对象是线性回归模型的编码器配置器(RegressionLinear
)的高维数据。
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,并在生成的代码中更新模型参数。
配置代码生成选项,并通过使用对象属性为线性模型参数指定编码器属性。
生成C/ c++代码
预测
而且更新
线性回归模型的函数generateCode
.生成C/ c++代码需要MATLAB®编码器™.在生成的C/ c++代码中更新模型参数,而不必重新生成代码。当您使用新数据或设置重新训练线性模型时,此特性减少了重新生成、重新部署和验证C/ c++代码所需的工作。在更新模型参数之前,使用
validatedUpdateInputs
验证并提取模型参数进行更新。
此流程图显示了使用编码器配置程序的代码生成工作流。
有关线性回归模型的代码生成使用说明和限制,请参阅的代码生成部分RegressionLinear
,预测
,更新
.
创建
经过训练得到线性回归模型fitrlinear
,为模型创建一个编码器配置器,使用learnerCoderConfigurer
.类的编码器配置器的编码器属性预测
而且更新
参数。然后,用generateCode
根据指定的编码器属性生成C/ c++代码。
属性
预测
参数
类的编码器属性预测
生成代码中的函数参数。
X
- - - - - -预测器数据的编码器属性
LearnerCoderInput
对象
的预测器数据的编码器属性传递给生成的C/ c++代码预测
线性回归模型的函数,具体为LearnerCoderInput
对象。
方法创建编码器配置器时learnerCoderConfigurer
函数,输入参数X
控件的默认值LearnerCoderInput
编码器属性:
SizeVector
—默认值为输入的数组大小X
.如果
价值
的属性ObservationsIn
财产RegressionLinearCoderConfigurer
是“行”
,那么这SizeVector
值是[n p]
,在那里n
对应于观察数和p
对应于预测器的数量。如果
价值
的属性ObservationsIn
财产RegressionLinearCoderConfigurer
是“列”
,那么这SizeVector
值是[p n]
.
交换…的元素
SizeVector
(例如,改变[n p]
来[p n]
),修改价值
的属性ObservationsIn
财产RegressionLinearCoderConfigurer
相应的行动。您不能修改SizeVector
直接价值。VariableDimensions
—默认值为[0 0]
,表示数组大小固定为SizeVector
.您可以将此值设置为
[1 0]
如果SizeVector
值是[n p]
或[0 1]
如果它是[p n]
,这表示数组具有可变大小的行和固定大小的列。例如,[1 0]
的第一个值SizeVector
(n
)为行数的上界,的第二个值SizeVector
(p
)为列数。数据类型
—该值为单
或双
.默认数据类型取决于输入的数据类型X
.可调谐性
—必须是真正的
,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。
可以使用点表示法修改编码器属性。例如,要生成的C/ c++代码接受三个预测器变量(列)的100个观察值(行)的预测器数据,请指定的这些编码器属性X
对于编码器配置器配置
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configuration . x . variabledimensions = [0 0];
[0 0]
的第一个和第二个维度X
(分别是观察数和预测变量数)具有固定的大小。
要允许生成的C/ c++代码接受具有最多100个观察值的预测器数据,请指定这些编码器属性X
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configuration . x . variabledimensions = [1 0];
[1 0]
的第一个维度X
(观测数)有可变的大小和二次元X
(预测变量数量)有固定的大小。指定的观察数(在本例中为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,请将边界指定为正
.
ObservationsIn
- - - - - -预测器数据观测维的编码器属性
EnumeratedInput
对象
预测器数据观测维的编码器属性(“ObservationsIn”
的名值对参数预测
),指定为EnumeratedInput
对象。
方法创建编码器配置器时learnerCoderConfigurer
函数,“ObservationsIn”
类的默认值EnumeratedInput
编码器属性:
价值
—默认值是创建编码器配置器时使用的预测器数据观察维度,指定为“行”
或“列”
.如果不指定“ObservationsIn”
在创建编码器配置器时,默认值为“行”
.SelectedOption
—该值为always“内置”
.该属性是只读的。BuiltInOptions
-单元阵列“行”
而且“列”
.该属性是只读的。IsConstant
—必须是真正的
.可调谐性
- - - - - -默认值为假
如果您指定“ObservationsIn”、“行”
在创建编码器配置器时,和真正的
如果您指定“ObservationsIn”、“列”
.如果你设置可调谐性
来假
,软件组价值
来“行”
.时指定其他属性值可调谐性
是假
,软件组可调谐性
来真正的
.
NumOutputs
- - - - - -的输出数量预测
1(默认)
更新
参数
类的编码器属性更新
生成代码中的函数参数。的更新
函数接受经过训练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
.
β
- - - - - -线性预测系数的编码器属性
LearnerCoderInput
对象
线性预测系数的编码器属性(β
的线性回归模型),指定为LearnerCoderInput
对象。
的默认属性值LearnerCoderInput
对象的值都基于输入实参Mdl
的learnerCoderConfigurer
:
SizeVector
—必须是(1页)
,在那里p
预测因子的数量在吗Mdl
.VariableDimensions
—必须是[0 0]
,表示数组大小固定为SizeVector
.数据类型
—该值为“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
—必须是真正的
.
偏见
- - - - - -编码器属性的偏差项
LearnerCoderInput
对象
偏差项的编码器属性(偏见
的线性回归模型),指定为LearnerCoderInput
对象。
的默认属性值LearnerCoderInput
对象的值都基于输入实参Mdl
的learnerCoderConfigurer
:
SizeVector
—必须是[1]
.VariableDimensions
—必须是[0 0]
,表示数组大小固定为SizeVector
.数据类型
—该值为“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
—必须是真正的
.
其他配置选项
OutputFileName
- - - - - -生成的C/ c++代码的文件名
“RegressionLinearModel”
(默认)|特征向量
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RegressionLinearCoderConfigurer
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函数名称。
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
详细的
- - - - - -冗长的水平
真正的
(逻辑1)(默认)|假
(逻辑0)
冗长级别,指定为真正的
(逻辑1)或假
(逻辑0)。冗余级别控制命令行通知消息的显示。
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,软件会显示通知消息。 |
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。参数的编码器属性彼此依赖,因此软件将这些依赖关系存储为配置约束。如果使用编码器配置器修改参数的编码器属性,并且修改需要后续修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。详细程度决定了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冗长级别。
配置。详细的=假;
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
函数和以下三个属性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
而且update.m
),请使用generateFiles
函数,您可以根据您的代码生成工作流修改这些文件。例如,您可以修改predict.m
文件中包含数据预处理,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。方法生成C/ c++代码codegen
(MATLAB编码器)函数和codegen
参数适用于修改后的入口点函数或代码生成项目。使用本节中描述的三个属性作为起点来设置codegen
参数。
CodeGenerationArguments
- - - - - -codegen
参数
单元阵列
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
如果不需要自定义工作流,则使用此函数。
而不是使用generateCode
使用编码器配置器配置
,你可以生成如下的C/ c++代码:
generateFiles(configurer) cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
cgArgs
因此之前调用codegen
.
的其他属性配置
,软件更新CodeGenerationArguments
相应的属性。
数据类型:细胞
PredictInputs
- - - - - -的可调输入参数的列表预测
单元阵列
此属性是只读的。
入口点函数的可调输入参数列表predict.m
对于代码生成,指定为单元格数组。单元格数组包含另一个单元格数组,其中包含编码器。PrimitiveType
(MATLAB编码器)对象和编码器。常数
(MATLAB编码器)对象。
的编码器属性预测
参数,然后软件对相应的对象进行相应的更新。如果指定可调谐性
属性是假
,然后该软件从PredictInputs
列表。
中的单元格数组PredictInputs
相当于配置。CodeGenerationArguments {6}
对于编码器配置器配置
.
数据类型:细胞
UpdateInputs
- - - - - -的可调输入参数的列表更新
结构的单元阵列,包括编码器。PrimitiveType
对象
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,指定为结构的单元格数组,包括编码器。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coder配置器属性(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
,然后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}
对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使用编码器配置程序生成代码的文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
例子
使用编码器配置器生成代码
训练一个机器学习模型,然后生成代码预测
而且更新
通过使用编码器配置器实现模型的功能。
从模型中模拟10,000个观察结果
是一个10,000 × 1000的数字矩阵,具有标准的正常元素。
为随机正态误差,均值为0,标准差为0.3。
rng (“默认”)%的再现性n = 10000;p = 1000;X = randn(氮、磷);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);
利用模拟数据训练线性回归模型。传递转置的预测矩阵Xnew
来fitrlinear
,并使用“ObservationsIn”
的列Xnew
对应于观测。
Xnew = X ';Mdl = fitrlinear (Xnew Y“ObservationsIn”,“列”);
Mdl
是一个RegressionLinear
对象。
类的编码器配置器RegressionLinear
模型通过使用learnerCoderConfigurer
.指定预测数据Xnew
,并使用“ObservationsIn”
参数指定的观测维度Xnew
.的learnerCoderConfigurer
函数使用这些输入参数来配置相应的输入参数的编码器属性预测
.
配置= learnerCoderConfigurer (Mdl Xnew,“ObservationsIn”,“列”)
configurer = RegressionLinearCoderConfigurer属性:更新输入:Beta: [1x1 LearnerCoderInput] Bias: [1x1 LearnerCoderInput] Predict input: X: [1x1 LearnerCoderInput] ObservationsIn: [1x1 EnumeratedInput]代码生成参数:NumOutputs: 1 OutputFileName: 'RegressionLinearModel'属性,方法
配置
是一个RegressionLinearCoderConfigurer
对象的编码器配置器RegressionLinear
对象。
要生成C/ c++代码,必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、安装的编译器。您可以使用墨西哥人
设置
查看和更改默认编译器。有关更多细节,请参见改变默认的编译器.
为预测
而且更新
线性回归模型的函数(Mdl
)和默认设置。
generateCode(配置)
generateCode在输出文件夹:'initialize. '中创建这些文件。米”、“预测。米”、“更新。米”、“RegressionLinearModel。mat'代码生成成功。
的generateCode
函数完成以下操作:
生成生成代码所需的MATLAB文件,包括两个入口点函数
predict.m
而且update.m
为预测
而且更新
的功能Mdl
,分别。创建一个名为
RegressionLinearModel
对于两个入口点函数。中为MEX函数创建代码
codegen \墨西哥人\ RegressionLinearModel
文件夹中。将MEX函数复制到当前文件夹。
的内容predict.m
,update.m
,initialize.m
文件。类型
函数。
类型predict.m
函数varargout = predict(X,varargin) %#codegen %由MATLAB自动生成,8月31日-2022 05:57:09 [varargout{1:nargout}] =初始化('predict',X,varargin{:});结束
类型update.m
函数update(varargin) %#codegen %由MATLAB自动生成,8月31日-2022 05:57:09结束
类型initialize.m
函数[varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成,8月31日-2022 05:57:09 code .inline('always')持久模型如果为空(模型)模型= loadLearnerForCoder('RegressionLinearModel.mat');end switch(命令)case 'update' %更新结构字段:Beta % Bias model = update(model,varargin{:});case 'predict' %预测输入:X, ObservationsIn X = varargin{1};if nargin == 2 [varargout{1:nargout}] = predict(模型,X);else PVPairs = cell(1,nargin-2);for i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(模型,X,PVPairs{:});结束结束结束
生成代码中线性回归模型参数的更新
使用部分数据集训练线性回归模型,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线性回归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预测新预测器数据响应的C代码。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
从模型中模拟10,000个观察结果
是一个10,000 × 1000的数字矩阵,具有标准的正常元素。
为随机正态误差,均值为0,标准差为0.3。
rng (“默认”)%的再现性n = 10000;p = 1000;X = randn(氮、磷);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);
使用前500个观测值训练线性回归模型。把预测数据转置,然后用“ObservationsIn”
的列XTrain
对应于观测。
: XTrain = X (1:50 0) ';YTrain = Y (1:50 0);Mdl = fitrlinear (XTrain YTrain,“ObservationsIn”,“列”);
Mdl
是一个RegressionLinear
对象。
创建编码器配置
类的编码器配置器RegressionLinear
模型通过使用learnerCoderConfigurer
.指定预测数据XTrain
,并使用“ObservationsIn”
参数指定的观测维度XTrain
.的learnerCoderConfigurer
函数使用这些输入参数来配置相应的输入参数的编码器属性预测
.
配置= learnerCoderConfigurer (Mdl XTrain,“ObservationsIn”,“列”);
配置
是一个RegressionLinearCoderConfigurer
对象的编码器配置器RegressionLinear
对象。
指定参数的编码器属性
指定线性回归模型参数的编码器属性,以便您可以在重新训练模型之后更新生成的代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性。
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
而且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可变大小还是固定大小。
configuration . x . sizevector = [1000 Inf];configurer.X.VariableDimensions
ans =1 x2逻辑阵列0 1
第一个维度的大小是预测变量的数量。对于机器学习模型,这个值必须固定。的值,因为预测器数据包含1000个预测器SizeVector
属性的值必须为1000VariableDimensions
属性必须0
.
第二个维度的大小是观察的数量。的值SizeVector
属性来正
的值VariableDimensions
属性来1
.换句话说,大小的上限是正
而且大小是可变的,这意味着预测数据可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量,则此规范非常方便。
维度的顺序SizeVector
而且VariableDimensions
的编码器属性ObservationsIn
.
配置。ObservationsIn
值:'columns' SelectedOption: '内置' BuiltInOptions: {'rows' 'columns'} IsConstant: 1可调性:1
当价值
的属性ObservationsIn
属性是“列”
的第一个维度SizeVector
而且VariableDimensions
的属性X
对应预测量的数量,第二次元对应观察量的数量。当价值
的属性ObservationsIn
是“行”
,维度的顺序被切换。
生成代码
要生成C/ c++代码,必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、安装的编译器。您可以使用墨西哥人
设置
查看和更改默认编译器。有关更多细节,请参见改变默认的编译器.
为预测
而且更新
线性回归模型的函数(Mdl
).
generateCode(配置)
generateCode在输出文件夹:'initialize. '中创建这些文件。米”、“预测。米”、“更新。米”、“RegressionLinearModel。mat'代码生成成功。
的generateCode
函数完成以下操作:
生成生成代码所需的MATLAB文件,包括两个入口点函数
predict.m
而且update.m
为预测
而且更新
的功能Mdl
,分别。创建一个名为
RegressionLinearModel
对于两个入口点函数。中为MEX函数创建代码
codegen \墨西哥人\ RegressionLinearModel
文件夹中。将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测器数据来验证预测
的函数Mdl
和预测
函数返回相同的预测响应。若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。
YHat =预测(Mdl XTrain,“ObservationsIn”,“列”);YHat_mex = RegressionLinearModel (“预测”XTrain,“ObservationsIn”,“列”);
比较YHat
而且YHat_mex
.
马克斯(abs (YHat-YHat_mex))
ans = 0
一般来说,YHat_mex
可能包括四舍五入的差异比较YHat
.在这种情况下,比较证实了这一点YHat
而且YHat_mex
是相等的。
在生成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 = fitrlinear (X, Y)“ObservationsIn”,“列”);
提取要更新的参数validatedUpdateInputs
.中修改的模型参数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。
RegressionLinearModel (“更新”params)
验证生成的代码
的输出进行比较预测
的函数retrainedMdl
和预测
更新后的MEX函数。
YHat =预测(retrainedMdl X ',“ObservationsIn”,“列”);YHat_mex = RegressionLinearModel (“预测”X ',“ObservationsIn”,“列”);马克斯(abs (YHat-YHat_mex))
ans = 0
对比证实了YHat
而且YHat_mex
是相等的。
更多关于
LearnerCoderInput
对象
编码器配置程序使用LearnerCoderInput
对象指定的编码器属性预测
而且更新
输入参数。
一个LearnerCoderInput
对象具有以下属性,用于在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
SizeVector |
数组大小,如果对应 数组大小的上限,如果对应 |
VariableDimensions |
指示符,指定数组的每个维度是可变大小还是固定大小,指定为
|
数据类型 |
数组的数据类型 |
可调谐性 |
指示是否使用的指示器 时指定其他属性值 |
在创建编码器配置器之后,可以使用点表示法修改编码器属性。例如,指定偏置项的数据类型偏见
的编码器配置器配置
:
configurer.Bias.DataType =“单一”;
详细的
),真正的
(默认值),则当您修改机器学习模型参数的编码器属性时,软件将显示通知消息,而该修改更改了其他相关参数的编码器属性。
EnumeratedInput
对象
编码配置程序使用EnumeratedInput
对象指定的编码器属性预测
输入参数具有有限的可用值集。
一个EnumeratedInput
对象具有以下属性,用于在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
价值 |
的价值
的默认值。 |
SelectedOption |
所选选项的状态,指定为
该属性是只读的。 |
BuiltInOptions |
对应的可用字符向量的列表 该属性是只读的。 |
IsConstant |
指示符,指定数组值是否为编译时常量( 如果您将此值设置为 |
可调谐性 |
指示是否使用的指示器 时指定其他属性值 |
在创建编码器配置器之后,可以使用点表示法修改编码器属性。例如,指定的编码器属性ObservationsIn
的编码器配置器配置
:
configurer.ObservationsIn.Value =“列”;
版本历史
介绍了R2019b
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。