主要内容

RegressionTreeCoderConfigurer

回归二进制决策树模型的编码器配置程序

全部展开页面

描述

一种RegressionTreeCoderConfigurer对象是回归二进制决策树模型的编码器配置程序（回归植物或CompactRegressionTree）。

编码器配置器提供方便的功能来配置代码生成选项，在生成的代码中生成C / C ++代码和更新模型参数。

  • 配置代码生成选项并使用对象属性指定树模型参数的编码器属性。

  • 为此生成C / C ++代码预测和更新利用回归树模型的函数Generatecode.．生成C / C ++代码需要马铃薯®编码器™．

  • 更新生成的C / C ++代码中的模型参数，而无需重新生成代码。此功能可减少重新生成，重新部署和求解C / C ++代码所需的努力，当您使用新数据或设置重新转回树模型时。在更新模型参数之前，使用validatedUpdateInputs验证并提取要更新的模型参数。

此流程图显示使用编码器配置程序的代码生成工作流程。

对于代码生成使用说明和回归树模型的限制，请参阅代码生成部分CompactRegressionTree那预测,更新．

创建

通过使用培训回归树模型fitrtree.，使用使用创建模型的编码器配置器Learnercoderconfigurer．使用编码器配置器的属性指定编码器属性预测和更新论点。然后，使用Generatecode.基于指定的编码器属性生成C / C ++代码。

特性

展开全部

预测争论

本节中列出的属性指定了编码器属性预测生成的代码中的函数参数。

预测器数据的编码器属性将传递给生成的C / C ++代码预测回归树模型的函数，指定为LearnercoderInpul.目的。

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LearnercoderInpul.编码器属性:

  • 秘诀- 默认值是输入的数组大小X．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]表示阵列大小如规定固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀为列数。

  • 数据类型- 这个值是单或双倍的．默认数据类型取决于输入的数据类型X．

  • 可调性- 这个值必须是真正的,这意味着预测在所生成的C / C ++代码中，始终包括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C / C ++代码，该代码接受具有三个预测变量的100个观察的预测器数据，请指定这些编码器属性X对于编码器配置程序配置程序：

configurer.x.sizevector = [100 3];configur.x.datatype =.'双倍的'；configurer.X.VariableDimensions = [0 0];
[0 0]表示第一和第二维度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：

configurer.x.sizevector = [100 3];configur.x.datatype =.'双倍的'；configurer.X.VariableDimensions = [1 0];
[1 0]表示第一维度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INF.．

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功能，指定为1或2。

的输出参数预测是YFIT.（预测的答复）和节点（预测的节点号），按此顺序。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numoutput.价值。

创建编码器配置程序后配置程序，您可以使用点表示法指定输出的数量。

configurer.numOutputs = 2;

这numoutput.财产相当于'-Nargout'编译器选项的codegen（MATLAB编码器）．此选项指定代码生成的入口函数中的输出参数的数量。对象功能Generatecode.生成两个入口点函数 -预测.M.和update.m为了预测和更新回归树模型的函数分别 - 为两个入口点函数生成C / C ++代码。指定的价值numoutput.属性对应于入口点函数中的输出参数数预测.M.．

数据类型：双倍的

更新争论

本节中列出的属性指定了编码器属性更新生成的代码中的函数参数。这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LearnercoderInpul.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LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的Learnercoderconfigurer：

  • 秘诀- 默认值是[ND 2]， 在哪里nd是节点的数量Mdl．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]表示阵列大小如规定固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀为列数。

  • 数据类型- 这个值是'单身的'或'双倍的'．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性- 这个值必须是真正的．

如果修改第一个维度秘诀成为新闻，然后软件修改了第一维度秘诀属性新闻的属性切口那cutpredictorindex.,寡码．同样，如果您修改了第一个维度杂色金属依赖项成为1，然后软件修改了第一维度杂色金属依赖项属性1对于这些属性。

树中每个节点的切割点的编码器属性（切口的回归树模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的Learnercoderconfigurer：

  • 秘诀- 默认值是[ND 1]， 在哪里nd是节点的数量Mdl．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]表示阵列大小如规定固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀为列数。

  • 数据类型- 这个值是'单身的'或'双倍的'．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性- 这个值必须是真正的．

如果修改第一个维度秘诀成为新闻，然后软件修改了第一维度秘诀属性新闻的属性孩子们那cutpredictorindex.,寡码．同样，如果您修改了第一个维度杂色金属依赖项成为1，然后软件修改了第一维度杂色金属依赖项属性1对于这些属性。

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LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的Learnercoderconfigurer：

  • 秘诀- 默认值是[ND 1]， 在哪里nd是节点的数量Mdl．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]表示阵列大小如规定固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀为列数。

  • 数据类型- 这个值是'单身的'或'双倍的'．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性- 这个值必须是真正的．

如果修改第一个维度秘诀成为新闻，然后软件修改了第一维度秘诀属性新闻的属性孩子们那切口,寡码．同样，如果您修改了第一个维度杂色金属依赖项成为1，然后软件修改了第一维度杂色金属依赖项属性1对于这些属性。

树中每个节点的平均响应值的编码器属性（寡码的回归树模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的Learnercoderconfigurer：

  • 秘诀- 默认值是[ND 1]， 在哪里nd是节点的数量Mdl．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]表示阵列大小如规定固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀为列数。

  • 数据类型- 这个值是'单身的'或'双倍的'．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性- 这个值必须是真正的．

如果修改第一个维度秘诀成为新闻，然后软件修改了第一维度秘诀属性新闻的属性孩子们那切口,cutpredictorindex.．同样，如果您修改了第一个维度杂色金属依赖项成为1，然后软件修改了第一维度杂色金属依赖项属性1对于这些属性。

其他配置程序选项

生成的C / C ++代码的文件名，指定为字符向量。

对象功能Generatecode.的RegressionTreeCoderConfigurer使用此文件名生成C / C ++代码。

文件名不得包含空格，因为它们可以在某些操作系统配置中导致代码生成失败。此外，名称必须是有效的MATLAB函数名称。

创建编码器配置程序后配置程序，您可以使用点表示法指定文件名。

配置。OutputFileName ='mymodel'；

数据类型：char

详细级别，指定为真正的(逻辑1)或错误的（逻辑0）。详细级别控制命令行处的通知消息的显示。

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发生更改时，软件显示通知消息。
错误的（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计算机学习模型参数，您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，因此软件将依赖项存储为配置约束。如果通过使用编码器配置器修改参数的编码器属性，并且修改需要随后改变其​​他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。冗长级别确定软件是否显示出用于这些后续更改的通知消息。

创建编码器配置程序后配置程序，您可以使用点表示法修改详细级别。

configur.verbose = false;

数据类型：逻辑

代码生成自定义的选项

要自定义代码生成工作流程，请使用生成菲尔斯功能和以下三个属性codegen（MATLAB编码器），而不是使用Generatecode.功能。

生成两个入门点函数文件（预测.M.和update.m)，使用生成菲尔斯功能，您可以根据代码生成工作流修改这些文件。例如，您可以修改预测.M.文件要包含数据预处理，或者您可以将这些入口函数添加到另一个代码生成项目。然后，您可以通过使用C / C ++代码来生成C / C ++代码codegen（MATLAB编码器）函数和codegen适用于修改的入境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设置的起点codegen论点。

此属性是只读的。

codegen（MATLAB编码器）参数，指定为单元格数组。

此属性使您可以自定义代码生成工作流程。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程序，您可以生成C / C ++代码，如下所示：

generatefiles（configurer）cgargs = configurer.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．

如果修改其他属性配置程序，软件更新CodeGenerationArguments相应的财产。

数据类型：细胞

此属性是只读的。

输入点函数的输入参数预测.M.对于代码生成，指定为一个单元格数组编码器.primitiveType.（MATLAB编码器）目的。这编码器.primitiveType.对象包括存储在中的预测器数据的编码器属性X财产。

如果修改预测器数据的编码器属性，则软件更新编码器.primitiveType.相应的对象。

这编码器.primitiveType.对象预测inppuls.相当于配置。CodeGenerationArguments {6}对于编码器配置程序配置程序．

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，指定为结构的单元格数组，包括编码器.primitiveType.（MATLAB编码器）对象。每个编码器.primitiveType.对象包括可调谐计算机学习模型参数的编码器属性。

如果使用编码器配置程序属性修改模型参数的编码器属性（更新争论属性），然后软件更新相应的编码器.primitiveType.相应的对象。如果您指定了可调性机器学习模型参数的属性为错误的，然后软件删除相应的编码器.primitiveType.对象来自updateInputs.列表。

结构在updateInputs.相当于配置。CodeGenerationArguments {3}对于编码器配置程序配置程序．

数据类型：细胞

对象功能

Generatecode. 使用编码器配置程序生成C / C ++代码
生成菲尔斯 生成马铃薯使用编码器配置程序的代码生成文件
validatedUpdateInputs 验证并提取机器学习模型参数进行更新

例子

全部收缩

此示例使用：

打开生活的脚本

火车机器学习模型，然后为此生成代码预测和更新使用编码器配置器来函数模型。

加载CARBIG.数据集，包含汽车数据，并培训回归树模型。

加载CARBIG.x = [位移马力重量];y = mpg;mdl = fitrtree（x，y）;

Mdl是A.回归植物目的。

为此创建一个编码器配置程序回归植物模型通过使用Learnercoderconfigurer．指定预测器数据X．这Learnercoderconfigurer功能使用输入X配置编码器属性预测功能输入。

CONFIGURER = LERERNERCODERCONFIGURER（MDL，X）
configurer = RegressionTreeCoderConfigurer具有属性：更新输入：儿童：[1x1学习者CoderInput]剪切点：[1x1学习者CoderInput] CutpredictorIndex：[1x1 LearnercoderInput]预测输入：X：[1x1学习者划线]代码生成参数：numoutputs：1 outputfilename：'RegentionTreemodel'属性，方法

配置程序是A.RegressionTreeCoderConfigurer对象是一个编码器配置程序回归植物目的。

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。万博1manbetx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．

为此生成代码预测和更新回归树模型的功能(Mdl）默认设置。

generateCode(配置)
GenerateCode在输出文件夹中创建这些文件：'Initialize.m'，'predict.m'，'update.m'，'reightiontreemodel.mat'代码生成成功。

这Generatecode.函数完成这些操作：

  • 生成生成代码所需的MATLAB文件，包括两个入口点函数预测.M.和update.m为了预测和更新函数Mdl， 分别。

  • 创建名为MEX函数RegressionTreeModel对于两个入口点函数。

  • 创建MEX函数的代码Codegen \ Mex \ ReightionTreeModel文件夹。

  • 将MEX函数复制到当前文件夹。

显示该内容预测.M.那update.m,initialize.m文件通过使用类型功能。

类型预测.M.
函数varargout = predict（x，varargin）％＃codegen％by matlab，23-feb-2021 19:18:49 [varargout {1：nargout}] =初始化（'predict'，x，varargin {：}）;结尾
类型update.m
函数更新（varargin）％＃codegen％by matlab，23-feb-2021 19:18:49初始化（'更新'，varargin {：}）;结尾
类型initialize.m
函数[varargout] = initialize（命令，varargin）％＃codegen％by matlab，23-feb-2021 19:18:49 Coder.inline（'始终'）持久模型如果是isempty（模型）模型= loadlearnerforcoder（'RegentionTreemodel。垫'）;结束开关（命令）案例'更新'％更新结构字段：儿童％nodemean％cutpoint％cutpredictorindex model =更新（型号，varargin {：}）;案例'预测'％预测输入：x x = varargin {1};如果nargin == 2 [varargout {1：nargout}] = predict（model，x）;否则pvPairs = cell（1，nargin-2）;对于i = 1：nargin-2 pvPair {1，i} = varargin {i + 1};结束[varargout {1：nargout}] = predict（model，x，pvpaess {：}）;结束结束

此示例使用：

打开生活的脚本

使用部分数据集列出回归树，并为模型创建一个编码器配置器。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，该代码预测新的预测器数据的响应。然后使用整个数据集重新培训模型，并在未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，并使用一半的观察来培训回归树模型。

加载CARBIG.x = [位移马力重量];y = mpg;RNG（'默认'）重复性的％n =长度（y）;Idxtrain = RandSample（n，n / 2）;xtrain = x（idxtrain，:);YTrain = Y（IDxtrain）;MDL = FITRTREE（XTRAIN，YTRAIN）;

Mdl是A.回归植物目的。

创建编码器配置程序

为此创建一个编码器配置程序回归植物模型通过使用Learnercoderconfigurer．指定预测器数据XTrain．这Learnercoderconfigurer功能使用输入XTrain配置编码器属性预测功能输入。此外，将输出的数量设置为2，以便生成的代码返回预测的预测响应和节点号。

configurer = LearnerCoderConfigurer（MDL，XTrain，“NumOutputs”，2）;

配置程序是A.RegressionTreeCoderConfigurer对象是一个编码器配置程序回归植物目的。

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，以便在再培训模型后可以更新生成的代码中的参数。

属性的编码器属性X财产配置程序因此，生成的代码接受任何数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定预测器数据大小的上限，以及杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configurer.x.sizevector = [INF 3];configur.x.variabledimensions
ans =.1 x2逻辑阵列1 0

第一维度的大小是观察的数量。设置值秘诀归因于INF.导致软件修改杂色金属依赖项归因于1．换句话说，大小的上限是INF.大小是可变的，这意味着预测器数据可以具有任何数量的观察。如果您不知道生成代码时的观察次数，则此规范很方便。

第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。因为预测器数据包含3个预测器，所以秘诀属性必须3.和值的价值杂色金属依赖项属性必须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，指定的第一个维度秘诀属性，以便更新生成的代码中的节点数量:孩子们那切口那cutpredictorindex.,或寡码．然后，软件会自动修改其他属性。

例如，设置第一个值秘诀属性的寡码财产INF.．软件修改了秘诀和杂色金属依赖项属性的孩子们那切口,cutpredictorindex.匹配树中节点数量的新上限。另外，第一个值杂色金属依赖项属性寡码改变到1．

configur.nodemean.sizevector = [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。
configur.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。万博1manbetx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．

为此生成代码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：'Initialize.m'，'predict.m'，'update.m'，'reightiontreemodel.mat'代码生成成功。

这Generatecode.函数完成这些操作：

  • 生成生成代码所需的MATLAB文件，包括两个入口点函数预测.M.和update.m为了预测和更新函数Mdl， 分别。

  • 创建名为MEX函数RegressionTreeModel对于两个入口点函数。

  • 创建MEX函数的代码Codegen \ Mex \ ReightionTreeModel文件夹。

  • 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是预测功能Mdl和预测MEX函数中的函数返回相同的预测响应。要在具有多个入口点的MEX函数中调用一个入门点函数，请将函数名称指定为第一个输入参数。

[YFIT，Node] =预测（MDL，XTrain）;[yfit_mex，node_mex] = regressiontreemodel（“预测”，XTrain）;

相比YFIT.来yfit_mex.和节点来node_mex.．

max（abs（yfit-yfit_mex），[]，'全部'）
ans = 0.
isequal（节点，node_mex）
ans =.逻辑1

一般来说,yfit_mex.可能包括舍入差异与YFIT.．在这种情况下，比较证实了YFIT.和yfit_mex.是平等的。

是平等的返回逻辑1（真正的）如果所有输入参数都是相等的。比较证实了预测功能Mdl和预测MEX函数中的函数返回相同的节点编号。

培训模型和生成代码中的更新参数

使用整个数据集重新培训模型。

RetrowingMDL = FITRTREE（X，Y）;

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数returatedmdl.并验证修改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

比较来自的输出参数预测功能returatedmdl.和预测函数。

[YFIT，Node] =预测（RetratingMDL，X）;[yfit_mex，node_mex] = regressiontreemodel（“预测”，X）;max（abs（yfit-yfit_mex），[]，'全部'）
ans = 0.
isequal（节点，node_mex）
ans =.逻辑1

比较证实了预测的响应和节点数字是相等的。

更多关于

展开全部

也可以看看

||||

话题

在R2019B中介绍

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书