Main Content

このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

gather

GPU からの Statistics and Machine Learning Toolbox オブジェクトのプロパティの収集

R2020b 以降

ページ内をすべて折りたたむ

    構文

    gatheredObj = gather(obj)
    [gatheredObj1,gatheredObj2,...,gatheredObjn] = gather(obj1,obj2,...,objn)

    説明

    例

    gatheredObj = gather(obj) は、入力オブジェクト obj のすべてのプロパティを収集し、収集されたオブジェクト gatheredObj を返します。出力オブジェクトのすべてのプロパティは、ローカル ワークスペースに格納されます。

    gather を使用して、GPU 配列として格納されたデータを使用して当てはめられたオブジェクトから、ローカル ワークスペースに格納されたプロパティをもつ Statistics and Machine Learning Toolbox™ オブジェクトを作成します。GPU 配列の詳細については、gpuArray (Parallel Computing Toolbox) を参照してください。GPU の使用には、Parallel Computing Toolbox™ およびサポートされている GPU デバイスが必要です。サポートされているデバイスの詳細については、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。

    例

    [gatheredObj1,gatheredObj2,...,gatheredObjn] = gather(obj1,obj2,...,objn) は、複数のオブジェクト obj1,obj2,...,objn のプロパティを収集し、対応する収集オブジェクト gatheredObj1,gatheredObj2,...,gatheredObjn を返します。入力引数と出力引数の数は一致しなければなりません。

    例

    すべて折りたたむ

    この例では次を使用します。

    ライブ スクリプトを開く

    GPU 配列データで当てはめられた線形回帰モデルのプロパティを収集します。

    carsmall データセットを読み込みます。車両の 3 つのパフォーマンス メトリクスを格納する数値行列として X を作成します。ガロンあたりの走行マイル数を格納する数値ベクトルとして Y を作成します。

    load carsmall
X = [Weight,Horsepower,Acceleration];
Y = MPG;

    予測子 X および応答 Y をgpuArray (Parallel Computing Toolbox)オブジェクトに変換します。

    X = gpuArray(X);
Y = gpuArray(Y);

    fitlm を使用して、線形回帰モデル mdl を当てはめます。 

    mdl = fitlm(X,Y);

    mdl の係数を表示し、推定された係数値が GPU 配列であるかどうかを判定します。

    mdl.Coefficients
    ans=4×4 table
                    Estimate        SE          tStat        pValue  
                   __________    _________    _________    __________

    (Intercept)        47.977       3.8785        12.37    4.8957e-21
    x1             -0.0065416    0.0011274      -5.8023    9.8742e-08
    x2              -0.042943     0.024313      -1.7663       0.08078
    x3              -0.011583      0.19333    -0.059913       0.95236


    isgpuarray(mdl.Coefficients.Estimate)
    ans = logical
   1

    線形回帰モデルのプロパティを収集します。 

    gatheredMdl = gather(mdl);

    gatheredMdl の係数を表示し、推定された係数値が GPU 配列であるかどうかを判定します。

    gatheredMdl.Coefficients
    ans=4×4 table
                    Estimate        SE          tStat        pValue  
                   __________    _________    _________    __________

    (Intercept)        47.977       3.8785        12.37    4.8957e-21
    x1             -0.0065416    0.0011274      -5.8023    9.8742e-08
    x2              -0.042943     0.024313      -1.7663       0.08078
    x3              -0.011583      0.19333    -0.059913       0.95236


    isgpuarray(gatheredMdl.Coefficients.Estimate)
    ans = logical
   0

    この例では次を使用します。

    ライブ スクリプトを開く

    線形回帰モデルと k 最近傍分類器のプロパティを収集します。どちらのモデルも GPU 配列データを使用して当てはめられています。

    carsmall データセットを読み込みます。車両の 3 つのパフォーマンス メトリクスを格納する数値行列として X を作成し、予測子 X を gpuArray オブジェクトに変換します。

    load carsmall
X = [Weight,Horsepower,Acceleration];
X = gpuArray(X);

    MPG (ガロンあたりの走行マイル数) の線形回帰モデルを予測子 X の関数として当てはめます。

    mdlLinear = fitlm(X,MPG);

    3 最近傍分類器を予測子 X とクラス Cylinders を使用して学習させます。非カテゴリカル予測子データを標準化します。

    mdlKNN = fitcknn(X,Cylinders,'NumNeighbors',3,'Standardize',1);

    mdLinear モデルと mdlKNN モデルのプロパティを収集します。

    [gMdlLinear,gMdlKNN] = gather(mdlLinear,mdlKNN);

    回帰モデル mdlLinear に対するダービン・ワトソン検定の p 値が GPU 配列であるかどうかを判定します。

    isgpuarray(dwtest(mdlLinear))
    ans = logical
   1

    収集した回帰モデル gMdlLinear に対するダービン・ワトソン検定の p 値が GPU 配列であるかどうかを判定します。

    isgpuarray(dwtest(gMdlLinear))
    ans = logical
   0

    分類器 mdlKNN の再代入損失が GPU 配列であるかどうかを判定します。

    isgpuarray(resubLoss(mdlKNN))
    ans = logical
   1

    収集した分類器 gMdlKNN の再代入損失が GPU 配列であるかどうかを判定します。

    isgpuarray(resubLoss(gMdlKNN))
    ans = logical
   1

    入力引数

    すべて折りたたむ

    GPU 配列または gpuArray オブジェクトを使用して当てはめられたオブジェクト。回帰モデル オブジェクト、分類モデル オブジェクト、確率分布オブジェクト、cvpartition オブジェクト、または gpuArray (Parallel Computing Toolbox) オブジェクトを指定します。gpuArray オブジェクトは GPU に格納されている配列を表します。

    gather がサポートする Statistics and Machine Learning Toolbox オブジェクトの詳細については、サポートされている回帰モデル、サポートされている分類モデル、およびサポートされている確率分布オブジェクトを参照してください。

    詳細

    すべて折りたたむ

    サポートされている回帰モデル

    関数 gather は次の回帰モデル オブジェクトのプロパティを収集できます。

    モデル タイプ完全またはコンパクトなモデル オブジェクトモデル作成関数
    回帰の学習器のアンサンブルRegressionEnsemble、CompactRegressionEnsemble、または RegressionBaggedEnsemblefitrensemble または RegressionEnsemble オブジェクト関数 compact
    完全な一般化線形回帰モデルGeneralizedLinearModel または CompactGeneralizedLinearModelfitglm または GeneralizedLinearModel オブジェクト関数 compact
    完全な線形回帰モデルLinearModel または CompactLinearModelfitlm または LinearModel オブジェクト関数 compact
    回帰木モデルRegressionTree または CompactRegressionTreefitrtree または RegressionTree オブジェクト関数 compact
    サポート ベクター マシン回帰モデルRegressionSVM、CompactRegressionSVM、または RegressionPartitionedSVMfitrsvm
    交差検証したアンサンブル回帰RegressionPartitionedEnsemblefitrensemble
    交差検証済みの回帰モデルRegressionPartitionedModelfitrtree

    GPU 配列を使って当てはめられたコンパクトなモデルを作成する場合、compact の入力引数 mdl は、GPU 配列の入力引数を使って当てはめられた完全なモデル オブジェクトでなければなりません。

    サポートされている分類モデル

    関数 gather は次の分類モデル オブジェクトのプロパティを収集できます。

    モデル タイプ完全またはコンパクトなモデル オブジェクトモデル作成関数
    サポート ベクター マシンまたはその他の分類器用のマルチクラス モデルClassificationECOC または CompactClassificationECOCfitcecoc または ClassificationECOC オブジェクト関数 compact
    分類用のアンサンブル学習器ClassificationEnsemble、CompactClassificationEnsemble、または ClassificationBaggedEnsemblefitcensemble または ClassificationEnsemble オブジェクト関数 compact
    k 最近傍分類器ClassificationKNNfitcknn
    サポート ベクター マシン (SVM) 分類器ClassificationSVM または CompactClassificationSVMfitcsvm または ClassificationSVM オブジェクト関数 compact
    マルチクラス分類用の二分決定木ClassificationTree または CompactClassificationTreefitctree または ClassificationTree オブジェクト関数 compact
    交差検証 ECOC モデルClassificationPartitionedECOCfitcecoc
    交差検証アンサンブル分類ClassificationPartitionedEnsemblefitcensemble
    交差検証分類モデルClassificationPartitionedModelfitcknn、fitcsvm、または fitctree

    GPU 配列を使って当てはめられたコンパクトなモデルを作成する場合、compact の入力引数 mdl は、GPU 配列の入力引数を使って当てはめられた完全なモデル オブジェクトでなければなりません。

    サポートされている確率分布オブジェクト

    関数 gather は次の確率分布オブジェクトのプロパティを収集できます。

    確率分布確率分布オブジェクトオブジェクト作成関数
    ベータ分布BetaDistributiondistname を 'Beta' として指定した fitdist
    二項分布BinomialDistributiondistname を 'Binomial' として指定した fitdist
    バーンバウム・サンダース分布BirnbaumSaundersDistributiondistname を 'BirnbaumSaunders' として指定した fitdist
    ブール分布BurrDistributiondistname を 'Burr' として指定した fitdist
    指数分布ExponentialDistributiondistname を 'Exponential' として指定した fitdist
    極値分布ExtremeValueDistributiondistname を 'ExtremeValue' として指定した fitdist
    ガンマ分布GammaDistributiondistname を 'Gamma' として指定した fitdist
    一般化極値分布GeneralizedExtremeValueDistributiondistname を 'GeneralizedExtremeValue' として指定した fitdist
    一般化パレート分布GeneralizedParetoDistributiondistname を 'GeneralizedPareto' として指定した fitdist
    半正規分布HalfNormalDistributiondistname を 'HalfNormal' として指定した fitdist
    逆ガウス分布InverseGaussianDistributiondistname を 'InverseGaussian' として指定した fitdist
    カーネル分布KernelDistributiondistname を 'Kernel' として指定した fitdist
    ロジスティック分布LogisticDistributiondistname を 'Logistic' として指定した fitdist
    対数ロジスティック分布LoglogisticDistributiondistname を 'Loglogistic' として指定した fitdist
    対数正規分布LognormalDistributiondistname を 'Lognormal' として指定した fitdist
    仲上分布NakagamiDistributiondistname を 'Nakagami' として指定した fitdist
    負の二項分布NegativeBinomialDistributiondistname を 'NegativeBinomial' として指定した fitdist
    正規分布NormalDistributiondistname を 'Normal' として指定した fitdist
    ポアソン分布PoissonDistributiondistname を 'Poisson' として指定した fitdist
    レイリー分布RayleighDistributiondistname を 'Rayleigh' として指定した fitdist
    t 位置-スケール分布tLocationScaleDistributiondistname を 'tLocationScale' として指定した fitdist
    ワイブル分布WeibullDistributiondistname を 'Weibull' として指定した fitdist

    ヒント

    • GPU 配列は収集にコストがかかる場合があり、GPU 配列をサポートしない関数で結果を使用する必要がない限り、通常は必要ありません。GPU 配列を受け入れる Statistics and Machine Learning Toolbox の関数の完全な一覧については、関数リスト (GPU 配列) を参照してください。

    • gather は、分散配列や対話型分散配列、tall 配列など他のデータ型にも呼び出すことができます。データ型が収集をサポートしていない場合、gather は無効です。

    拡張機能

    バージョン履歴

    R2020b で導入

    すべて展開する

    参考

    (Parallel Computing Toolbox) | (Parallel Computing Toolbox) | | | | | | | | | | |

    トピック