Code Generation for Binary GLM Logistic Regression Model Trained i
基于分类学习器训练的二元GLM逻辑回归模型的代码生成
1 介绍
这个例子展示了如何使用Classification Learner训练一个二元GLM逻辑回归模型,然后使用导出的分类模型生成预测标签的C代码。
load data.mat
加载样本数据并将数据导入Classification Learner应用程序。
加载患者数据集。指定预测器数据X(由p个预测器组成)和响应变量Y。
2 方法
打开Matlab
load patients
X = [Age Diastolic Height Systolic Weight];
p = size(X,2);
Y = Gender;
在“应用程序”选项卡上,单击“应用程序”部分右侧的“显示更多”箭头以显示图库,然后选择“分类学习器”。在“分类学习器”选项卡的“文件”部分,选择“新建会话”>“从工作区”。
在“从工作空间新建会话”对话框的“数据集变量”下,从工作空间变量列表中选择X。在Response下,单击From workspace选项按钮,然后从列表中选择Y。要接受默认验证方案并继续,请单击Start Session。默认的验证选项是5倍交叉验证,以防止过拟合。
默认情况下,分类学习器创建数据的散点图。
训练二元GLM逻辑回归模型
使用Classification Learner应用程序训练一个二元GLM逻辑回归模型。
在“分类学习器”选项卡的“模型”部分中,单击“显示更多”箭头以显示分类器库。在“逻辑回归分类器”下,单击“二元GLM逻辑回归”。在Train部分,单击Train All并选择Train Selected。应用程序训练模型并在Models窗格中显示其交叉验证精度。