Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

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
    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

    参考

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

    トピック