predict
一般化線形回帰モデルの応答予測
構文
説明
例
一般化線形回帰モデルを作成し、新しいデータに対する応答を予測します。
基となる 2 つの予測子 X(:,1) および X(:,2) のポアソン乱数を使って標本データを生成します。
rng('default') % For reproducibility rndvars = randn(100,2); X = [2 + rndvars(:,1),rndvars(:,2)]; mu = exp(1 + X*[1;2]); y = poissrnd(mu);
ポアソン データの一般化線形回帰モデルを作成します。
mdl = fitglm(X,y,'y ~ x1 + x2','Distribution','poisson');
予測に使用するデータ点を作成します。
[Xtest1,Xtest2] = meshgrid(-1:.5:3,-2:.5:2); Xnew = [Xtest1(:),Xtest2(:)];
データ点で応答を予測します。
ypred = predict(mdl,Xnew);
予測をプロットします。
surf(Xtest1,Xtest2,reshape(ypred,9,9))
一般化線形回帰モデルを当てはめてから、saveLearnerForCoder を使用してモデルを保存します。loadLearnerForCoderを使用してモデルを読み込み、当てはめたモデルの関数 predict を呼び出す、エントリポイント関数を定義します。その後、codegen (MATLAB Coder) を使用して C/C++ コードを生成します。C/C++ コードの生成には MATLAB® Coder™ が必要であることに注意してください。
この例では、コマンド ラインで線形回帰モデルの予測を行うためのコード生成ワークフローについて簡単に説明します。詳細は、機械学習モデルの予測をコマンド ラインで行うコードの生成を参照してください。MATLAB Coder アプリを使用してコードを生成することもできます。詳細については、機械学習モデルの予測を MATLAB Coder アプリを使用して行うコードの生成を参照してください。
モデルの学習
基となる 2 つの予測子 X(:,1) および X(:,2) のポアソン乱数を使って標本データを生成します。
rng('default') % For reproducibility rndvars = randn(100,2); X = [2 + rndvars(:,1),rndvars(:,2)]; mu = exp(1 + X*[1;2]); y = poissrnd(mu);
一般化線形回帰モデルを作成します。応答のポアソン分布を指定します。
mdl = fitglm(X,y,'y ~ x1 + x2','Distribution','poisson');
モデルの保存
当てはめた一般化線形回帰モデルを saveLearnerForCoder を使用して GLMMdl.mat というファイルに保存します。
saveLearnerForCoder(mdl,'GLMMdl');エントリポイント関数の定義
現在のフォルダーで、以下を行う mypredictGLM.m という名前のエントリポイント関数を定義します。
新しい予測子入力と、有効な名前と値のペアの引数を受け入れます。
GLMMdl.mat内の当てはめた一般化線形回帰モデルをloadLearnerForCoderを使用して読み込みます。予測と信頼区間の範囲を返す。
function [yhat,ci] = mypredictGLM(x,varargin) %#codegen %MYPREDICTGLM Predict responses using GLM model % MYPREDICTGLM predicts responses for the n observations in the n-by-1 % vector x using the GLM model stored in the MAT-file GLMMdl.mat, % and then returns the predictions in the n-by-1 vector yhat. % MYPREDICTGLM also returns confidence interval bounds for the % predictions in the n-by-2 vector ci. CompactMdl = loadLearnerForCoder('GLMMdl'); narginchk(1,Inf); [yhat,ci] = predict(CompactMdl,x,varargin{:}); end
MATLAB のアルゴリズムについてのコードを生成しようとしていることを指示するため、コンパイラ命令 %#codegen (またはプラグマ) をエントリポイント関数のシグネチャの後に追加します。この命令を追加すると、MATLAB Code Analyzer はコード生成時にエラーになる違反の診断と修正を支援します。
コードの生成
codegen (MATLAB Coder) を使用して、エントリポイント関数のコードを生成します。C および C++ は静的な型の言語なので、エントリポイント関数内のすべての変数のプロパティをコンパイル時に決定しなければなりません。データ型と正確な入力配列のサイズを指定するため、特定のデータ型および配列サイズをもつ一連の値を表す MATLAB® 式を渡します。名前と値のペアの引数の名前に対してcoder.Constant (MATLAB Coder)を使用します。
予測に使用する点を作成します。
[Xtest1,Xtest2] = meshgrid(-1:.5:3,-2:.5:2); Xnew = [Xtest1(:),Xtest2(:)];
コードを生成し、予測に対する 90% の同時信頼区間を返すように指定します。
codegen mypredictGLM -args {Xnew,coder.Constant('Alpha'),0.1,coder.Constant('Simultaneous'),true}
Code generation successful.
codegen は、プラットフォームに依存する拡張子をもつ MEX 関数 mypredictGLM_mex を生成します。
コンパイル時に観測値の個数が不明である場合、coder.typeof (MATLAB Coder) を使用して可変サイズの入力を指定することもできます。詳細は、コード生成用の可変サイズ引数の指定 と エントリポイント関数の入力の型の指定 (MATLAB Coder) を参照してください。
生成されたコードの確認
predict と mypredictGLM_mex を使用して、予測および信頼区間を比較します。codegen を呼び出したときの引数 -args と同じ順序で名前と値のペアの引数を指定します。
[yhat1,ci1] = predict(mdl,Xnew,'Alpha',0.1,'Simultaneous',true); [yhat2,ci2] = mypredictGLM_mex(Xnew,'Alpha',0.1,'Simultaneous',true);
predict から返された値と比較すると、mypredictGLM_mex から返された値には、丸めによる差が含まれている可能性があります。このような場合は、小さい誤差を許容して値を比較します。
find(abs(yhat1-yhat2) > 1e-6)
ans = 0×1 empty double column vector
find(abs(ci1-ci2) > 1e-6)
ans = 0×1 empty double column vector
この比較により、返された値が許容誤差 1e–6 内で等しいことを確認します。
入力引数
名前と値の引数
出力引数
代替機能
fevalは、predictと同じ予測を返します。関数fevalは、名前と値のペアの引数'Offset'および'BinomialSize'をサポートしていません。fevalはオフセット値として 0 を使用し、ypredの出力値は予測確率です。関数fevalは、新しい予測子の入力値に複数の入力引数を受け取ることができ、各予測子変数には 1 つの入力が対応します。table またはデータセット配列から作成したモデルの場合、この関数をより簡単に使用できます。関数fevalは、予測に対する信頼区間は返さないことに注意してください。randomは、ノイズを追加した予測を返します。
拡張機能
バージョン履歴
R2012a で導入
