训练分类模型

加载费雪的虹膜数据集。标签转换为一个字符矩阵。

负载fisheriris物种= char(物种);

使用整个数据集训练一个分类树。

Mdl = fitctree(量、种类);

Mdl是一个ClassificationTree模型。

保存模型使用saveLearnerForCoder

训练有素的分类树保存到文件命名ClassTreeIris.mat通过在当前文件夹saveLearnerForCoder。

MdlName =“ClassTreeIris”;saveLearnerForCoder (Mdl MdlName);

定义入口点函数

在当前文件夹中,定义一个入口点函数命名mypredictTree.m做以下几点:

你可以允许通过指定可选的名称-值对参数变长度输入宗量作为输入参数。有关详细信息,请参见可变长度参数列表的代码生成(MATLAB编码器)。

类型mypredictTree.m%显示mypredictTree内容。m文件

函数[标签,分数、节点cnum] = mypredictTree (x, savedmdl变长度输入宗量)% # codegen % mypredictTree预测虹膜物种使用分类树% mypredictTree预测虹膜物种的n观察% n-by-4矩阵x使用分类树存储在MAT-file savedmdl %的名字,然后返回的预言%数组标签。x的每一行包含长度和宽度的花瓣%和花萼虹膜(见fisheriris数据集)。对于其他输出%参数描述,看到预测参考页面。CompactMdl = loadLearnerForCoder (savedmdl);[标签,分数、节点cnum] =预测(CompactMdl x,变长度输入宗量{:});结束

注意:如果单击按钮位于这个页面的右上角部分并在MATLAB®开设这个例子,然后用MATLAB®打开示例文件夹。这个文件夹包含的入口点函数文件。

生成代码

指定适应可变参数

因为C和c++静态类型语言中,您必须确定所有变量的属性在一个入口点函数在编译时使用arg游戏选择codegen。

使用coder.Constant(MATLAB编码器)指定一个编译时常量输入。

coder.Constant (v)

coder.Constant (v)创建一个coder.Constant类型变量的值是恒定的,一样的v在代码生成。

使用coder.typeof(MATLAB编码器)指定一个适应输入。

coder.typeof(example_value, size_vector, variable_dims)

的值example_value,size_vector,variable_dims指定的属性输入数组生成的代码可以接受。

的入口点函数mypredictTree接受预测数据,MAT-file名称包含训练模型对象,和可选的参数名称-值对。假设您想生成代码,预测数据和接受一个适应可变数组“子树”名称-值对参数适应可变向量的值。你有四个输入参数:预测数据,MAT-file名称,名称和值“子树”名称-值对的论点。

定义一个4-by-1单元阵列和分配每个输入参数类型的每个单元的入口点函数。

ARGS =细胞(4,1);

第一输入使用coder.typeof指定的双精度预测数据变量相同数量的列作为预测数据用于训练模型,但是观察的数量(行)是任意的。

p =元素个数(Mdl.PredictorNames);ARGS {1} = coder.typeof(0[正无穷,p] [1,0]);

0为example_value值意味着数据类型双因为双是默认的数值数据类型的MATLAB。(正,p)为size_vector价值和(1,0)为variable_dims值意味着第一维的大小是可变的和无限,和第二个维度的大小是固定的p。

第二个输入MAT-file名称,必须是一个编译时常量。使用coder.Constant指定第二个输入的类型。

ARGS {2} = coder.Constant (MdlName);

最后两个输入的名称和值“子树”名称-值对的论点。名称-值对参数的名称必须是编译时常量。

ARGS {3} = coder.Constant (“子树”);

使用coder.typeof指定的值“子树”是一个双精度行向量,行向量大小的上限马克斯(Mdl.PrunedList)。

m = max (Mdl.PruneList);ARGS {4} = coder.typeof (0, 1, m], [0,1]);

再一次,0为example_value值意味着数据类型双因为双是默认的数值数据类型的MATLAB。(1米)为size_vector价值和[0,1]为variable_dims值意味着第一维的大小是固定的1,第二个维度是变量的大小和它的上界米。

使用生成代码codegen

生成一个墨西哥人从入口点函数的函数mypredictTree使用单元阵列arg游戏,其中包括输入参数类型mypredictTree。指定输入参数类型使用arg游戏选择。指定的输出参数生成的入口点函数使用-nargout选择。生成代码包含指定数量的输出参数的顺序出现在入口点函数的定义。

codegenmypredictTreearg游戏arg游戏-nargout2

代码生成成功。

codegen生成墨西哥人的功能mypredictTree_mex与平台相关的扩展在当前文件夹。

的预测函数接受单精度值、双精度值,“所有”为“子树”名称-值对的论点。不过,您可以只指定双精度值时使用的墨西哥人函数预测,因为指定的数据类型ARGS {4}是两倍。

验证生成的代码

预测标签随机选择的15个值使用生成的墨西哥人从训练数据功能和修剪一级的子树。比较标签从墨西哥人与预测的功能预测。

rng (“默认”);%的再现性Xnew = datasample(量、15);[labelMEX, scoreMEX] = mypredictTree_mex (Xnew MdlName,“子树”1);[labelPREDICT, scorePREDICT] =预测(Mdl Xnew,“子树”1);labelPREDICT

labelPREDICT =15 x10 char数组‘virginica’‘virginica’‘setosa’‘virginica’的杂色的“setosa”“setosa”“杂色的”“virginica”“virginica”“setosa”“virginica”“virginica”“杂色的”“virginica”

labelMEX

labelMEX =15 x1细胞{' virginica} {‘virginica} {‘setosa} {‘virginica}{“癣”}{‘setosa} {‘setosa}{“癣”}{‘virginica} {‘virginica} {‘setosa} {‘virginica} {‘virginica}{“癣”}{' virginica '}

预测的标签是一样的墨西哥人函数标签除了数据类型。当响应数据类型字符和codegen不能确定的价值子树是一个标量,那么生成的代码的输出单元阵列的特征向量。

的比较,您可以转换labelsPREDICT一个单元阵列和使用isequal。

cell_labelPREDICT = cellstr (labelPREDICT);verifyLabel = isequal (labelMEX cell_labelPREDICT)

verifyLabel =逻辑1

isequal返回逻辑1 (真正的),这意味着所有的输入都是平等的。

比较第二个输出。scoreMex相比之下,可能包括舍入差异scorePREDICT。在这种情况下,比较scoreMEX和scorePREDICT,允许一个小宽容。

找到(abs (scorePREDICT-scoreMEX) > 1 e-8)

ans = 0 x1空双列向量

找到返回一个空向量如果element-wise绝对的区别scorePREDICT和scoreMEX不超过指定的公差1 e-8。比较证实,scorePREDICT和scoreMEX宽容是相等的1 e-8。