データセットの一部を使用してマルチクラス分類の決定木に学習をさせ、モデルについてコーダー コンフィギュアラーを作成します。コーダー コンフィギュアラーのプロパティを使用してモデル パラメーターのコーダー属性を指定します。コーダー コンフィギュアラーのオブジェクト関数を使用して、新しい予測子データについてラベルを予測する C コードを生成します。その後、データセット全体を使用してモデルに再学習をさせ、コードを再生成せずに、生成されたコードのパラメーターを更新します。
モデルの学習
花のデータを含む fisheriris データセットを読み込みます。このデータセットには花についての 4 つの予測子 (がく片の長さ、がく片の幅、花弁の長さ、花弁の幅) があります。応答変数には花の種の名前 (setosa、versicolor および virginica) が含まれています。観測値の半分を使用して分類木モデルに学習をさせます。
Mdl は、ClassificationTree オブジェクトです。
コーダー コンフィギュアラーの作成
learnerCoderConfigurer を使用して、ClassificationTree モデルについてコーダー コンフィギュアラーを作成します。予測子データを指定します。関数 learnerCoderConfigurer は、入力 XTrain を使用して、関数 predict の入力のコーダー属性を設定します。また、生成されるコードが予測ラベル、スコア、ノード数、およびクラス数を返すようにするため、出力の個数を 4 に設定します。
configurer は、ClassificationTree オブジェクトのコーダー コンフィギュアラーである ClassificationTreeCoderConfigurer オブジェクトです。
パラメーターのコーダー属性の指定
生成されたコードのパラメーターをモデルの再学習後に更新できるようにするため、分類木モデルのパラメーターのコーダー属性を指定します。
最初に、生成されたコードが任意の個数の観測値を受け入れるように、configurer の X プロパティのコーダー属性を指定します。属性 SizeVector および VariableDimensions を変更します。属性 SizeVector は、予測子データのサイズの上限を指定し、属性 VariableDimensions は、予測子データの各次元が可変サイズと固定サイズのどちらであるかを指定します。
ans = 1x2 logical array
1 0
1 番目の次元のサイズは、観測値の個数です。属性 SizeVector の値を Inf に設定すると、ソフトウェアは属性 VariableDimensions の値を 1 に変更します。言い換えると、サイズの上限は Inf であり、サイズは可変です。これは、予測子データが任意の数の観測値をもつことができることを意味しています。この指定は、コードを生成するときに観測値の個数が不明である場合に便利です。
2 番目の次元のサイズは、予測子変数の個数です。この値は、1 つの機械学習モデルに対して固定でなければなりません。予測子データには 4 個の予測子が含まれているため、属性 SizeVector の値は 4、属性 VariableDimensions の値は 0 でなければなりません。
新しいデータまたは異なる設定を使用して木モデルに再学習させる場合、木のノードの数が変化する可能性があります。したがって、生成されたコードでノードの数を更新できるように、Children、ClassProbability、CutPoint または CutPredictorIndex のいずれかのプロパティの SizeVector 属性の最初の次元を指定します。そうすると、他のプロパティは自動的に変更されます。
たとえば、CutPoint プロパティの SizeVector 属性の最初の値を Inf に設定します。ソフトウェアによって Children、ClassProbability および CutPredictorIndex の SizeVector 属性および VariableDimensions 属性が変更され、木のノード数の新しい上限に合致するようになります。さらに、CutPoint の VariableDimensions 属性の最初の値が 1 に変更されます。
SizeVector attribute for Children has been modified to satisfy configuration constraints.
SizeVector attribute for CutPredictorIndex has been modified to satisfy configuration constraints.
VariableDimensions attribute for Children has been modified to satisfy configuration constraints.
VariableDimensions attribute for CutPredictorIndex has been modified to satisfy configuration constraints.
SizeVector attribute for ClassProbability has been modified to satisfy configuration constraints.
VariableDimensions attribute for ClassProbability has been modified to satisfy configuration constraints.
ans = 1x2 logical array
1 0
コードの生成
C/C++ コードを生成するには、適切に設定されている C/C++ コンパイラにアクセスできなければなりません。MATLAB Coder は、サポートされているインストール済みのコンパイラを探して使用します。mex -setup を使用すると、既定のコンパイラを表示および変更できます。詳細は、既定のコンパイラの変更を参照してください。
分類木モデル (Mdl) の関数 predict および update のコードを生成します。
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationTreeModel.mat'
Code generation successful.
The関数generateCodeは、以下の処理を実行します。
コードを生成するために必要な MATLAB ファイルを生成する。これには、Mdl の関数 predict および update にそれぞれ対応する 2 つのエントリポイント関数 predict.m および update.m が含まれます。
2 つのエントリポイント関数に対して、ClassificationTreeModel という名前の MEX 関数を作成する。
MEX 関数のコードを codegen\mex\ClassificationTreeModel フォルダーに作成する。
MEX 関数を現在のフォルダーにコピーする。
生成されたコードの確認
予測子データを渡して、Mdl の関数 predict と MEX 関数の関数 predict が同じ出力引数を返すかどうかを確認します。複数のエントリポイントがある MEX 関数内のエントリポイント関数を呼び出すため、1 番目の入力引数として関数名を指定します。
isequal を使用して、label と label_mex を比較します。同様に、node を node_mex と、cnum を cnum_mex と比較します。
isequal は、すべての入力引数が等しい場合に logical 1 (true) を返します。この比較により、Mdl の関数 predict と MEX 関数の関数 predict が同じラベル、ノード数、クラス数を返すことを確認します。
score と score_mex を比較します。
一般的に、score と比較すると、score_mex には丸めによる差が含まれている可能性があります。この場合では、比較によって score と score_mex が等しいことが確かめられます。
モデルの再学習と生成コード内のパラメーターの更新
データセット全体を使用してモデルに再学習をさせます。
validatedUpdateInputs を使用して、更新するパラメーターを抽出します。この関数は、retrainedMdl 内の修正されたモデル パラメーターを判別し、修正されたパラメーター値がパラメーターのコーダー属性を満たすかどうかを検証します。
生成されたコード内のパラメーターを更新します。
生成されたコードの確認
retrainedMdl の関数 predict の出力引数と、更新した MEX 関数の関数 predict の出力引数を比較します。
この比較により、ラベル、ノード数、クラス数、スコアが等しいことを確認します。
