generateLearnerDataTypeFcn

火车模型

加载电离层数据集和训练一个二进制SVM分类模型。

负载电离层Mdl = fitcsvm (X, Y,“KernelFunction”,“高斯”);

Mdl是一个ClassificationSVM模型。

保存模型

将支持向量机分类模型保存到该文件myMdl.mat通过使用saveLearnerForCoder。

saveLearnerForCoder (Mdl“myMdl”);

定点数据类型定义

使用generateLearnerDataTypeFcn生成一个函数,定义了所需的定点数据类型的变量预测的支持向量机模型。

generateLearnerDataTypeFcn (“myMdl”,X)

generateLearnerDataTypeFcn生成myMdl_datatype函数。

创建一个结构T通过使用,定义了定点数据类型myMdl_datatype。

T = myMdl_datatype (“固定”)

T =结构体字段:XDataType: [0 x0嵌入。fi] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

结构T包括的字段命名和运行所需的内部变量预测函数。每个字段包含一个定点对象,返回的fi(定点设计师)。定点对象指定定点数据类型属性,如单词长度和长度。例如,显示定点数据类型属性的预测数据。

T.XDataType

ans = [] DataTypeMode:定点:二进制扩展Signedness:签了字:16 FractionLength: 14 RoundingMethod:地板OverflowAction:包装ProductMode: FullPrecision MaxProductWordLength: 128 SumMode: FullPrecision MaxSumWordLength: 128

定义入口点函数

定义一个入口点函数命名myFixedPointPredict做以下几点:

函数(标签,分数)= myFixedPointPredict (X, T)% # codegenMdl = loadLearnerForCoder (“myMdl”,“数据类型”T);(标签,分数)=预测(Mdl X);结束

注意:如果单击按钮位于右上角的这个例子和开放的MATLAB®中的示例,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

的XDataType场的结构T指定的定点数据类型预测数据。转换X中指定的类型T.XDataType通过使用投(定点设计师)函数。

X_fx =投(X,“喜欢”,T.XDataType);

生成代码的入口点函数使用codegen。指定X_fx和持续的折叠T的入口点函数的输入参数。

codegenmyFixedPointPredictarg游戏{X_fx, coder.Constant (T)}

代码生成成功。

codegen生成墨西哥人的功能myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

通过预测数据预测和myFixedPointPredict_mex比较输出。

(标签、分数)=预测(Mdl X);[labels_fx, scores_fx] = myFixedPointPredict_mex (X_fx T);

比较的输出预测和myFixedPointPredict_mex。

labels_fx verify_labels = isequal(标签)

verify_labels =逻辑1

isequal返回逻辑1(真正的),这意味着标签和labels_fx是相等的。

如果你不满意的比较结果和想提高的精度生成的代码,您可以调整定点数据类型和重新生成代码。有关详细信息,请参见提示在generateLearnerDataTypeFcn,数据类型的函数,定点代码生成SVM的预测。

火车模型

加载census1994的数据集,其中包含的变量adultdata和成人。这些变量包括人口数据来自美国人口普查局用来预测一个人是否使超过50000美元一年。您可以使用adultdata训练模型和成人测试训练模型。

负载census1994

考虑一个模型,预测员工的工资类别考虑到他们的年龄,工人阶级,教育水平、资本收益和损失,每周工作小时数。提取感兴趣的变量,并将它们保存在表。

台= adultdata (:, {“年龄”,“education_num”,“capital_gain”,“capital_loss”,“hours_per_week”});tblTest =成人(:,{“年龄”,“education_num”,“capital_gain”,“capital_loss”,“hours_per_week”});

定点代码生成不支持表或分类数组。万博1manbetx因此,定义使用一个数字矩阵,预测数据和使用一个逻辑向量定义类标签。一个逻辑向量使用内存最有效的二元分类问题。

X = table2array(台);Y = adultdata。工资= =“< = 50 k”;XTest = table2array (tblTest);欧美=成人。工资= =“< = 50 k”;

软件使用一个定点数据类型的预测数据。因此,规范预测数据使定点数据类型更健壮的溢出和下溢。正常化也减少了所需的计算分数变换生成的查找表。

规范化的预测数据X和XTest。使用训练数据的平均值和标准偏差X规范化的测试数据XTest。

[X, C, S] = (X)正常化;XTest =正常化(XTest,“中心”C“规模”,年代);

训练一个分类树模型。指定最小数量的叶子节点观测(MinLeafSize)和决策分歧的最大数量(MaxNumSplits模型的),以减少内存占用。指定分对数分数的转换。

Mdl = fitctree (X, Y,“重量”adultdata.fnlwgt,…“MinLeafSize”10“MaxNumSplits”,100,…“ScoreTransform”,分对数的);

Mdl是一个ClassificationTree模型。

计算分类错误的训练数据集和测试数据集。

损失(Mdl, X, Y)

ans = 0.1620

损失(Mdl XTest、欧美)

ans = 0.1683

训练数据的分类器分类大约16%和17%的测试数据。

保存模型

将分类模型保存到该文件myMdl.mat通过使用saveLearnerForCoder。

saveLearnerForCoder (Mdl“myMdl”);

定点数据类型定义

使用generateLearnerDataTypeFcn生成一个函数,定义了定点预测所需的变量的数据类型。使用所有可用的预测数据获得现实的定点数据类型范围。

generateLearnerDataTypeFcn (“myMdl”,[X; XTest])

generateLearnerDataTypeFcn生成myMdl_datatype函数。

创建一个结构T通过使用,定义了定点数据类型myMdl_datatype。

T = myMdl_datatype (“固定”)

T =结构体字段:XDataType: [0 x0嵌入。fi] TransformedScoreDataType: [0x0 embedded.fi] ScoreDataType: [0x0 embedded.fi]

生成的查找表来近似分数转换

创建一个FunctionApproximation.TransformFunction(定点设计师)对象通过指定这些输入:

approxObj = FunctionApproximation.TransformFunction (“myMdl”[X; XTest], T)

approxObj = TransformFunction属性:问题:[1 x1 FunctionApproximation.ClassregProblem]

approxObj有财产问题,其中包含一个ClassregProblem对象。显示问题的属性approxObj。

approxObj.Problem

ans = ClassregProblem属性:FunctionToApproximate: @ (x) (1. / (1 + exp (- x))) NumberOfInputs: 1 InputTypes: [1 x1嵌入。numerictype] InputLowerBounds: -3.5296 InputUpperBounds: 13.3944 OutputType: [1 x1嵌入。numerictype]选项:[1 x1 FunctionApproximation.Options]

的ClassregProblem对象问题属性包含信息从创建时输入您指定approxObj。详情,请参阅FunctionApproximation.ClassregProblem(定点设计师)参考页面。

输入你创建时指定的预测数据FunctionApproximation.TransformFunction对象决定了范围InputLowerBounds和InputUpperBounds。如果两者之间的界限范围太大,生成的查找表可以耗费时间。在本例中,您标准化X和缩放XTest减少范围。

创建一个新的数据类型结构T_new通过使用近似(定点设计师)函数。

T_new =近似(approxObj)

T_new =结构体字段:XDataType: [0 x0嵌入。fi] TransformedScoreDataType: [0x0 embedded.fi] ScoreDataType: [0x0 embedded.fi] LookupTableFunction: '@myMdl_lookup'

近似返回输出T_new并生成的查找表的功能myMdl_lookup。T_new存储在包含所有的字段T和一个额外的字段LookupTableFunction,其中包含一个函数处理myMdl_lookup。

定义入口点函数

定义一个入口点函数命名myFixedPointPredict使用训练模型,预测分类标签和分数。

函数(标签,分数)= myFixedPointPredict (X, T)% # codegenMdl = loadLearnerForCoder (“myMdl”,“数据类型”T);(标签,分数)=预测(Mdl X);结束

生成代码

转换XTest中指定的类型T_new.XDataType通过使用投(定点设计师)函数。

XTest_fx =投(XTest,“喜欢”,T_new.XDataType);

生成代码的入口点函数使用codegen。而不是指定一个适应输入的预测数据集,指定一个固定大小的输入使用coder.typeof。如果你知道预测数据集的大小,通过对所生成的代码,然后生成代码简单的固定大小的输入是可取的。

codegenmyFixedPointPredictarg游戏{coder.typeof (XTest_fx [1,5], [0]), coder.Constant (T_new)}

代码生成成功。

codegen生成墨西哥人的功能myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

通过测试数据集XTest来预测和myFixedPointPredict_mex比较输出。

(标签、分数)=预测(Mdl XTest);n =大小(XTest, 1);labels_fx = true (n, 1);scores_fx = 0 (n, 2);为i = 1: n [labels_fx(我),scores_fx(我,:)]= myFixedPointPredict_mex (XTest_fx(我,:),T_new);结束

比较的输出预测和myFixedPointPredict_mex。

labels_fx verify_labels = isequal(标签)

verify_labels =逻辑0

isequal返回逻辑0(假的),这意味着标签和labels_fx是不一样的。发现不匹配的标签。

idx =找到(labels_fx ~ =标签)

idx =2×14815 14114

墨西哥人函数返回相同的标签预测函数除了两个样品XTest。

找到之间的相对差异分数的最大输出。

relDiff_scores = max (abs((双(scores_fx(: 1)分数(:1))。/分数(:1)))

relDiff_scores = 0.0407