table のデータを分類するためのコードの生成

この例では次を使用します。

この例では、二分決定木モデルを使用して table の数値データおよびカテゴリカルデータを分類するためのコードを生成する方法を示します。この例の学習済みモデルでは CategoricalPredictors プロパティでカテゴリカル予測子を識別するため、カテゴリカル予測子が自動的に処理されます。コードを生成するためにカテゴリカル予測子のダミー変数を手動で作成する必要はありません。

一般的なコード生成のワークフローでは、table のデータを分類モデルまたは回帰モデルに学習させることができます。予測のためのエントリポイント関数に (table ではなく) 配列を渡し、エントリポイント関数内に table を作成し、その table を predict に渡します。コード生成における table のサポートの詳細については、table のコード生成 (MATLAB Coder)およびコード生成における table の制限事項 (MATLAB Coder)を参照してください。

分類モデルの学習

patients データセットを読み込みます。single 型と double 型の数値予測子、categorical 型のカテゴリカル予測子、および logical 型の応答変数 Smoker を格納する table を作成します。table の各行は、異なる患者に対応しています。

load patients
Age = single(Age);
Weight = single(Weight);
Gender = categorical(Gender);
SelfAssessedHealthStatus = categorical(SelfAssessedHealthStatus);
Tbl = table(Age,Diastolic,Systolic,Weight,Gender,SelfAssessedHealthStatus,Smoker);

Tbl のデータを使用して分類木に学習させます。

Mdl = fitctree(Tbl,'Smoker')

Mdl = 
  ClassificationTree
           PredictorNames: {'Age'  'Diastolic'  'Systolic'  'Weight'  'Gender'  'SelfAssessedHealthStatus'}
             ResponseName: 'Smoker'
    CategoricalPredictors: [5 6]
               ClassNames: [0 1]
           ScoreTransform: 'none'
          NumObservations: 100


  Properties, Methods

CategoricalPredictors プロパティの値が [5 6] であり、Mdl で 5 番目と 6 番目の予測子 ('Gender' と 'SelfAssessedHealthStatus') をカテゴリカル予測子として指定していることを示しています。他の予測子をカテゴリカル予測子として指定する場合は、名前と値の引数 'CategoricalPredictors' を使用して指定できます。

Mdl における予測子の名前と順序を表示します。

Mdl.PredictorNames

ans = 1×6 cell
    {'Age'}    {'Diastolic'}    {'Systolic'}    {'Weight'}    {'Gender'}    {'SelfAssessedHealthStatus'}

モデルの保存

saveLearnerForCoder を使用して、ツリーの分類器をファイルに保存します。

saveLearnerForCoder(Mdl,'TreeModel');

saveLearnerForCoder は、現在のフォルダーの TreeModel.mat という MATLAB® バイナリファイルに構造体配列として分類器を保存します。

エントリポイント関数の定義

予測子変数を入力引数として受け入れるエントリポイント関数 predictSmoker を定義します。この関数では、loadLearnerForCoder を使用してツリーの分類器を読み込み、入力引数から table を作成した後、分類器および table を predict に渡します。

function [labels,scores] = predictSmoker(age,diastolic,systolic,weight,gender,selfAssessedHealthStatus) %#codegen
%PREDICTSMOKER Label new observations using a trained tree model
%   predictSmoker predicts whether patients are smokers (1) or nonsmokers
%   (0) based on their age, diastolic blood pressure, systolic blood
%   pressure, weight, gender, and self assessed health status. The function
%   also provides classification scores indicating the likelihood that a
%   predicted label comes from a particular class (smoker or nonsmoker).
mdl = loadLearnerForCoder('TreeModel');
varnames = mdl.PredictorNames;
tbl = table(age,diastolic,systolic,weight,gender,selfAssessedHealthStatus, ...
    'VariableNames',varnames);
[labels,scores] = predict(mdl,tbl);
end

エントリポイント関数内に table を作成する場合、変数名を指定しなければなりません (table の名前と値のペアの引数 'VariableNames' を使用するなど)。table に予測子変数のみが含まれていて、予測子の順序がモデルの学習に使用した table と同じである場合、予測子変数の名前を mdl.PredictorNames で見つけることができます。

コードの生成

codegen を使用して predictSmoker のコードを生成します。coder.typeof を使用して、予測子変数の入力引数のデータ型と次元を指定します。

coder.typeof の最初の入力引数は、予測子のデータ型を指定します。
2 番目の入力引数は、予測子の行数の上限 (Inf) および列数の上限 (1) を指定します。
3 番目の入力引数は、実行時に予測子の行数を変更できるが、列数は固定であることを指定します。

ARGS = cell(4,1);
ARGS{1} = coder.typeof(Age,[Inf 1],[1 0]);
ARGS{2} = coder.typeof(Diastolic,[Inf 1],[1 0]);
ARGS{3} = coder.typeof(Systolic,[Inf 1],[1 0]);
ARGS{4} = coder.typeof(Weight,[Inf 1],[1 0]);
ARGS{5} = coder.typeof(Gender,[Inf 1],[1 0]);
ARGS{6} = coder.typeof(SelfAssessedHealthStatus,[Inf 1],[1 0]);

codegen predictSmoker -args ARGS

Code generation successful.

codegen は、プラットフォームに依存する拡張子の MEX 関数 predictSmoker_mex を現在のフォルダーに生成します。

生成されたコードの確認

predict、predictSmoker および MEX ファイルが 20 人の患者の無作為標本に対して同じ結果を返すことを確認します。

rng('default') % For reproducibility
[newTbl,idx] = datasample(Tbl,20);

[labels1,scores1] = predict(Mdl,newTbl);
[labels2,scores2] = predictSmoker(Age(idx),Diastolic(idx),Systolic(idx),Weight(idx),Gender(idx),SelfAssessedHealthStatus(idx));
[labels3,scores3] = predictSmoker_mex(Age(idx),Diastolic(idx),Systolic(idx),Weight(idx),Gender(idx),SelfAssessedHealthStatus(idx));

verifyMEXlabels = isequal(labels1,labels2,labels3)

verifyMEXlabels = logical
   1

verifyMEXscores = isequal(scores1,scores2,scores3)

verifyMEXscores = logical
   1

参考

codegen (MATLAB Coder) | coder.typeof (MATLAB Coder) | loadLearnerForCoder | saveLearnerForCoder