你知道我使用Matlab的心情吗？
你知道我使用Matlab的心情吗？
最近为了上一门课我使用了Matlab，我负责的是数据科学哪些部分，主要就是机器学习那些，传统的，神经网络都有。然后我发现，Matlab真是太有个性了，把我折腾的死去活来的，所以我在这里给大家的结论就是，如果你做机器学习不要使用Matlab。
首先，搞个刚刚开始用的时候我还觉得很爽，他的数据导入，和table特别好用，table的field还带自动补全，简直是太贴心了。画图也比较方便，基本的图基本上一行就能画出来。虽然Matlab里面的index是从1开始的，而且选择的时候还包含最后一个index，非常反人来，但是习惯了也是可以接受没有任何问题的。不过也有个麻烦就是他的indexing居然是()而不是[]。()和函数调用是重复的，好不爽，然是这些都是可以接受的。
然后剩下的全是要你命的东西，不过我可以总结成一句话，就是inconsistent！
首先各种模型，来自于不同的工具箱，他们的命名规则都不一样，玩法套路也都不一样。
例如有的模型是model=fit（x,y）,然后返回的模型inference的时候是y=model（x）。你要问，这fit的是个啥模型呀？我就呵呵了，注意这个fit不是fit某个模型，fit就是个模型，一个线性模型，你给sample和option，它返回一个model。
然后有个叫fitlm的，这个倒是好象和上面一样，他是fit另外一个叫lm（linear model）的模型，这两个是在不同的工具箱里面。但是如果你天真的认为他们是一样的你就完蛋了，因为根本就不一样！！！fit返回的是一个model，你通过model（x）来inference，但是fitlm返回这个模型却是用model.predict(x)来inference的，为什么要搞不一样？
然后更匪夷所思的是mnrfit，你猜这个是啥？这是multi-nominal logistic regression按照上面这个套路，为啥不叫fitmnr，fitmnl？关键是你猜它返回的是什么？不是模型，完全不是它返回的不是object，是一个系数矩阵！！我阵亡了。。。一个系数矩阵怎么搞？怎么做inference？好，我硬核，我可以推导出公式，然后我发现他很反人类的再logistics regression公式里面加了个负号，ok这些我从文档都推得出来。
但是让人吐血的是，是整个文档，整个文档里面，没有教你怎么做inference，直到，最下面有个also see里面有好几个函数，其中写了个函数叫mnrval，这是干啥的？我为什么要点开他。当你点开他以后你会惊奇的发现，这个函数是用来做上面这个mnrfit模型inference的。我猜他是multi-nominal logistic regression value的做缩写，不过不应该叫evaluate吗，这怎么起的名字（这真不是重点）？重点是要用这个系数做inference你要这么操作：pihat = mnrval(B,X)，B是之前的系数矩阵，X是sample。又是一种新玩法！
然后我们再看另一个模型，Mdl = arima(2,1,2);这是啥？按照前面的玩法，这应该返回的就是一个fit过的模型吧，那sample怎么给进去的，没有呀？呵呵，这个模型根本就没有fit过，这里返回的是一个初始化的模型，所有参数都是默认值。你通过model=estimate(Mdl,X)来fit这个模型。what！estimate是什么鬼。对就是fit，他起了个更有个性的名字。然后你有了fit后的模型怎么预测能，我告诉你：forecast(model,15,X)。你看，是不是又获得了新知识？
再说收statistic and machine learning toolbox，也不一样。首先和前面线性模型有点像，同通过fitsvm,fittree这些方法来得到一个模型，但是预测又不一样了，注意这里面有的模型是pridict(model,x)有的是model.predict(x)，有的是model.predictFcn(x)。你看我排比句都用上了。
然后再说说matlab的神经网络，不是deeplearning哈，就是shallow神经网络工具箱那些，neural net fitting那些。简直不能忍，首先，他的输入时列向量为sample，但是之前其他的都是行向量。然后他使用train这个函数来训练，不是之前的fit，estimate那些，然后interface的时候时y=model(x)这种方法！！！
然后同一个工具箱里面，那个NARXNET，那个时间序列的网络模型，他又不一样。首先，他的输入时cell不是matrix，文档里没有，他妈我研究了好久才发现。然后这个网络只有两个输入，就是X，Y。那X，Y有多个特征怎么办，对，用cell。他把所有的的特征放在一个cell里面，woc，这想象力真丰富。别问我怎么发现的，我搞了2小时。然后我想把矩阵变成等尺寸的cell，怎么搞？mat2cell，想当然就是做这个的，但是他是切割矩阵的，然后我研究怎么给参数让他正好一个元素一个坑，倒是可以就是很慢，直到我发现了num2cell，这个瞬间可以完场上面的操作，WTF？这个2cell应该是2 an element of a cell array,其实时make sense的，但是only make matlab sense, not everyday sense。然后我发现了，卡面说的所有的特征压缩到一个cell里面，我崩溃了，好吧，在转换一下，直到我发现了，再他声称的代码里面有个现所，有个叫tonndata的函数，直接可以把矩阵处理成这个网络需要的cell数组。擦。
你以为就此结束了，不不不。那个网络怎么inference？不是y=model(x)，由于他是个自回归的时间序列网络，你要给他以前过去的值才行，不仅要给他过去的值，还要给他这个网络通过过去的事积累的一个状态。
[Xs,Xi,Ai,Ts] = preparets(net4,xs_test(1:24),{},ys_test(1:24));
yhat = net4(xs_test(25:end),Xi,Ai);
第一个函数唯一有用的就是输出Ai，就是网络初始状态，是由Xi确定的，Xi就是我自己给的，完全不需要他帮我准备。你看，第一个函数给了net，后面一个也有net其实完全可以把preparets放到inference的代码里面嘛，inference的时候自己计算一下初始状态就行了。有人要说这个functional programing的style，net是immutable的，所以要外界给他初始状态。听起来有理实际上放屁。你完全可以interface的时候计算了初始状态，然后扔掉吗。对了之前将得分ARXM那个模型，同样是时间序列就不需要自己整这些。
然后再说说他的deep learning，他的玩法不一样。首先你设计好一个网络以后是通过trainNetwork来训练的，好，又不一样。然后inference的时候更奇葩，他有两个YPred = classify(net,X)和YPred = predict(net,X)，不仅和前面的不一样，自己居然都不一样。不过好象也能理解，predict是直接网络的输出，classify是吧网络输出的onehot编码转成了categorical的数据。不过这都不重要，因为这个根本就没法用，他的网络输入特别固定，只有图像和序列，也就是说输入最少是3维的，这3维怎么flatten的？没人知道。我想给个一维的特征就用了1 * 1 * n的或者是n * 1 * 1的，应该可以把，结果loss纹丝不动就是不降，不知道为啥。同样的模型再python keras里面一次成功。所以千万不要用matlab的deap learning。
Matlab还有很多很多不一致的地方，有很多模型可以接受表格和matrix，有的只能matrix，有的只能cell，总时折腾死你。为啥不能和python sklearn或者TF那些学习一下，nparray首先都可以输入，然后就一套model.fit model.predict，统一一点不可以吗？
一点最基本的写代码的素质都没有。
当然Matlab优点还是很多的，只要你把那他来做数据科学，他用起来还是很顺手的。
本文章使用limfx的vsocde插件快速发布