ClassificationKNN Predict ブロックの使用によるクラスラベルの予測

この例では次を使用します。

この例では、ClassificationKNN Predictブロックを Simulink® のラベル予測に使用する方法を示します。このブロックは、観測値 (予測子データ) を受け入れて、学習済みの最近傍分類モデルを使用することにより、その観測値の予測されたクラスラベル、クラススコア、および予測分類コストを返します。

最近傍分類器の学習

最近傍分類器に学習させ、テストセットで分類器の性能を評価します。

fisheriris データセットを読み込みます。150 本のアヤメについて 4 つの測定値が含まれる数値行列 X を作成します。対応するアヤメの種類が含まれる文字ベクトルの cell 配列 Y を作成します。

load fisheriris
X = meas;
Y = species;

分割の再現性を得るため、乱数発生器のシードを設定します。Y のクラス情報を使用して、観測値を階層的に学習セットとテストセットに無作為に分割します。観測値の約 80% を最近傍モデルの学習に使用し、観測値の約 20% を学習済みモデルの新しいデータでの性能のテストに使用します。

rng("default")
cv = cvpartition(Y,"HoldOut",0.2);

学習インデックスとテストインデックスを抽出します。学習データセットとテストデータセットを指定します。

trainingInds = training(cv);
testInds = test(cv);

Xtrain = X(trainingInds,:);
Ytrain = Y(trainingInds);
Xtest = X(testInds,:);
Ytest = Y(testInds);

関数fitcknnを使用して、5 最近傍分類器に学習させます。非カテゴリカル予測子データを標準化します。

knnMdl = fitcknn(Xtrain,Ytrain, ...
    NumNeighbors=5,Standardize=1)

knnMdl = 
  ClassificationKNN
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'setosa'  'versicolor'  'virginica'}
           ScoreTransform: 'none'
          NumObservations: 120
                 Distance: 'euclidean'
             NumNeighbors: 5

knnMdl は学習させたClassificationKNNモデルです。

テストセットの分類精度を計算して、テストセットで分類器の性能を評価します。

testError = loss(knnMdl,Xtest,Ytest,LossFun="classiferror");
testAccuracy = 1 - testError

testAccuracy = 
0.9333

Simulink モデルの作成

ClassificationKNN Predictブロックを使用して新しいモデルを作成します。新しい Simulink モデルを作成するには、[空のモデル] テンプレートを開き、Statistics and Machine Learning Toolbox™ ライブラリから ClassificationKNN Predict ブロックを追加します。

ClassificationKNN Predict ブロックをダブルクリックして、[ブロックパラメーター] ダイアログボックスを開きます。モデルを含むワークスペース変数の名前を指定することにより、学習済みの ClassificationKNN モデルをブロックにインポートします。既定の変数名は knnMdl です。これは、コマンドラインで学習させたモデルです。

[更新] ボタンをクリックして、ダイアログボックス内の学習済みモデルの設定を更新します。ダイアログボックスの [Trained Machine Learning Model] セクションに、モデル knnMdl の学習に使用されるオプションが表示されます。[Add output port for predicted class scores] チェックボックスと [Add output port for expected classification cost] チェックボックスをオンにして、ブロックに 2 番目 ("score") と 3 番目 ("cost") の出力端子を追加します。

Inport ブロックを 1 つと Outport ブロックを 3 つ追加して、それらを ClassificationKNN Predict ブロックの入力と出力に接続します。

4 個の予測子変数をもつデータセットを使用してモデルに学習させたため、ClassificationKNN Predict ブロックには 4 個の予測子の値を含む観測値が必要です。Inport ブロックをダブルクリックし、[信号属性] タブで [端子の次元] を 4 に設定します。出力信号を入力信号と同じ長さに指定するには、[実行] タブで [サンプル時間] を 1 に設定します。

Simulink モデルの構造体配列の形式で、入力信号を作成します。構造体配列には、次のフィールドが含まれていなければなりません。

time — 観測値がモデルに入力された時点。方向は予測子データ内の観測値に対応しなければなりません。この例の場合は time が列ベクトルでなければなりません。
signals — values フィールドと dimensions フィールドが含まれている、入力データを説明する 1 行 1 列の構造体配列。values は予測子データの行列、dimensions は予測子変数の個数です。

将来の予測用に適切な構造体配列を作成します。詳細については、時間付き構造体 (Simulink)を参照してください。

modelInput.time = (0:length(Ytest)-1)';
modelInput.signals(1).values = Xtest;
modelInput.signals(1).dimensions = size(Xtest,2);

ワークスペースから信号データをインポートします。

[コンフィギュレーションパラメーター] ダイアログボックスを開く。[モデル化] タブで、[モデル設定] をクリック。
[コンフィギュレーションパラメーター] ダイアログボックスの左側で、[データのインポート/エクスポート] をクリックします。次に、[入力] チェックボックスをオンにし、隣のテキストボックスに「modelInput」と入力します。
左側で [ソルバー] をクリックします。[シミュレーション時間] で、[終了時間] を modelInput.time(end) に設定します。[ソルバーの選択] で、[タイプ] を Fixed-step に、[ソルバー] を discrete (no continuous states) に設定。

詳細は、シミュレーションのための信号データの読み込み (Simulink)を参照してください。

Outport 1 ブロックをクリックし、ブロック名を label に設定します。同様に、Outport 2 と Outport 3 のブロック名をそれぞれ score と cost に変更します。

指定されたモデルを開く

新しいモデルを作成する代わりに、用意されている Simulink モデル slexClassificationKNNPredictExample.slx を開くことができます。このモデルに ClassificationKNN Predict ブロックが含まれています。このモデルにアクセスするには、例をライブスクリプトとして開く必要があります。

Simulink モデル slexClassificationKNNPredictExample.slx を開きます。

SimMdlName = "slexClassificationKNNPredictExample"; 
open_system(SimMdlName)

Simulink モデルを開くと、Simulink モデルを読み込む前に、ソフトウェアがコールバック関数 PreLoadFcn のコードを実行します。slexClassificationKNNPredictExample のコールバック関数 PreLoadFcn には、学習済みモデルの変数 knnMdl がワークスペースにあるかどうかをチェックするコードが含まれています。ワークスペースに変数がない場合、PreLoadFcn は標本データを読み込み、最近傍モデルに学習させ、Simulink モデルの入力信号を作成します。コールバック関数を表示するには、[モデル化] タブの [設定] セクションで、[モデル設定] をクリックし、[モデルプロパティ] を選択します。次に、[コールバック] タブで、[モデルのコールバック] ペインのコールバック関数 PreLoadFcn を選択します。

Simulink モデルのシミュレート

Simulink モデルをシミュレートし、シミュレーション出力をワークスペースにエクスポートします。Inport ブロックでは、観測値を検出すると、その観測値を ClassificationKNN Predict ブロックに配置します。シミュレーションデータインスペクター (Simulink)を使用して、Outport ブロックのログデータを表示できます。

simOut = sim(SimMdlName)

simOut = 
  Simulink.SimulationOutput:
                   tout: [30x1 double] 
                   yout: [1x1 Simulink.SimulationData.Dataset] 

     SimulationMetadata: [1x1 Simulink.SimulationMetadata] 
           ErrorMessage: [0x0 char]

シミュレートされた分類ラベルを調べます。

outputs = simOut.yout;
sim_label = outputs.get("label").Values.Data;

真のラベル (Ytest) と Simulink モデルによって予測されたラベル (sim_label) から混同行列チャートを作成します。

confusionchart(string(Ytest),string(sim_label))

Figure contains an object of type ConfusionMatrixChart.

対角線上の値が大きい場合は、対応するクラスについての予測が正確であることを示します。

参考

ClassificationKNN Predict | ClassificationKNN | fitcknn

ClassificationKNN Predict ブロックの使用によるクラス ラベルの予測

最近傍分類器の学習

Simulink モデルの作成

指定されたモデルを開く

Simulink モデルのシミュレート

参考

関連するトピック

ClassificationKNN Predict ブロックの使用によるクラスラベルの予測