このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
ClassificationSVM Predict ブロックの使用によるクラス ラベルの予測
この例では、ClassificationSVM Predictブロックを Simulink® のラベル予測に使用する方法を示します。このブロックは、観測値 (予測子データ) を受け入れて、学習済みのサポート ベクター マシン (SVM) 分類モデルを使用することにより、その観測値の予測されたクラス ラベルとクラス スコアを返します。
分類モデルの学習
この例では、ionosphere
データ セットを使用します。これには、レーダー反射の品質 (Y
) と、34 個の変数の予測子データ (X
) が含まれます。レーダー反射の品質は良好 ('g'
) または不良 ('b'
) のいずれかです。
ionosphere
データセットを読み込みます。標本サイズを調べます。
loadionospheren = numel(Y)
n = 351
レーダー反射は連続的に検出されるものとし、また、はじめの 300 個の観測値を入手しており、残りの 51 個はまだ入手していないとします。現在の標本と将来の標本にデータを分割します。
prsntX = X(1:300,:); prsntY = Y(1:300); ftrX = X(301:end,:); ftrY = Y(301:end);
現在利用できるすべてのデータを使用して SVM モデルに学習をさせます。予測子データを標準化するよう指定します。
svmMdl= fitcsvm(prsntX,prsntY,'Standardize',true);
svmMdl
はClassificationSVM
モデルです。
svmMdl
のClassNames
プロパティを使用して、陰性および陽性のクラス名をチェックします。
svmMdl.ClassNames
ans =2x1 cell{'b'} {'g'}
陰性のクラスは'b'
で、陽性のクラスは'g'
です。ClassificationSVM Predict ブロックのscore端子からの出力値は同じ順序です。1 番目および 2 番目の要素が、それぞれ陰性のクラス スコアおよび陽性のクラス スコアに対応します。
Simulink モデルの作成
この例では、ClassificationSVM Predictブロックを含む Simulink モデルslexIonosphereClassificationSVMPredictExample.slx
が用意されています。この節の説明に従って、この Simulink モデルを開くことも、新しいモデルを作成することもできます。
Simulink モデルslexIonosphereClassificationSVMPredictExample.slx
を開きます。
SimMdlName ='slexIonosphereClassificationSVMPredictExample';open_system(SimMdlName)
slexIonosphereClassificationSVMPredictExample
のコールバック関数PreLoadFcn
には、標本データの読み込み、SVM モデルの学習、および Simulink モデルの入力信号の作成を行うコードが含まれています。Simulink モデルを開くと、Simulink モデルを読み込む前に、ソフトウェアがPreLoadFcn
のコードを実行します。コールバック関数を表示するには、[モデル化]タブの[設定]セクションで、[モデル設定]をクリックし、[モデル プロパティ]を選択します。次に、[コールバック]タブで、[モデルのコールバック]ペインのコールバック関数PreLoadFcn
を選択します。
新しい Simulink モデルを作成するには、空のモデルテンプレートを開き、ClassificationSVM Predict ブロックを追加します。Inport ブロックと Outport ブロックを追加して、それらを ClassificationSVM Predict ブロックに接続します。
ClassificationSVM Predict ブロックをダブルクリックして、[ブロック パラメーター] ダイアログ ボックスを開きます。Select trained machine learning modelパラメーターをsvmMdl
として指定します。これは、学習済みの SVM モデルを含むワークスペース変数の名前です。[更新]ボタンをクリックします。ダイアログボックスのTrained Machine Learning Modelには、SVM モデルsvmMdl
の学習に使用されるオプションが表示されます。[Add output port for predicted class scores]チェックボックスをオンにして,2番目の出力端子scoreを追加します。
ClassificationSVM Predict ブロックには、34 個の予測子の値を含む観測値が必要です。Inport ブロックをダブルクリックし、[信号属性]タブで[端子の次元]を 34 に設定します。
Simulink モデルの構造体配列の形式で、入力信号を作成します。構造体配列には、次のフィールドが含まれていなければなりません。
time
— 観測値がモデルに入力された時点。この例では、期間に 0 ~ 50 の整数を含めます。方向は予測子データ内の観測値に対応しなければなりません。したがって、この場合はtime
が列ベクトルでなければなりません。signals
—值
フィールドとdimensions
フィールドが含まれている、入力データを説明する 1 行 1 列の構造体配列。值
は予測子データの行列、dimensions
は予測子変数の個数です。
将来のレーダー反射用に適切な構造体配列を作成します。
radarReturnInput.time = (0:50)'; radarReturnInput.signals(1).values = ftrX; radarReturnInput.signals(1).dimensions = size(ftrX,2);
ワークスペースから信号データをインポートするには、次を実行します。
[コンフィギュレーション パラメーター] ダイアログ ボックスを開く。[モデル化]タブで、[モデル設定]をクリック。
[データのインポート/エクスポート]ペインで[入力]チェック ボックスをオンにし、隣のテキスト ボックスに「
radarReturnInput
」と入力。[ソルバー]ペインの[シミュレーション時間]で、[終了時間]を
radarReturnInput.time(end)
に設定。[ソルバーの選択]で、[タイプ]をFixed-step
に、[ソルバー]をdiscrete (no continuous states)
に設定。
詳細は、シミュレーションのための信号データの読み込み(Simulink)を参照してください。
モデルをシミュレートします。
sim(SimMdlName);
Inport ブロックでは、観測値を検出すると、その観測値を ClassificationSVM Predict ブロックに送ります。シミュレーション データ インスペクター(Simulink)を使用して、Outport ブロックのログ データを表示できます。