火车模型

加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”）或好（'G')．使用前50个观察训练的二元SVM分类模型。

加载电离层mdl = fitcsvm（x（1:50，:)，y（1:50））;

Mdl是A.分类VM.对象。

创建编码器配置者

控件创建一个编码器配置器分类VM.模型通过使用Learnercoderconfigurer．指定预测器数据X．这Learnercoderconfigurer功能使用输入X属性的编码器属性预测功能输入。此外，将输出的数量设置为2，以便生成的代码返回预测的标签和分数。

配置= learnerCoderConfigurer (Mdl X (1:50,:)“NumOutputs”2);

配置程序是A.ClassificationSVMCoderConfigurer对象，它是一个编码器配置器一分类VM.对象。

指定参数的编码器属性

指定SVM分类模型参数的编码器属性，以便在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性，以及支持向量机模型的支持向量的编码器属性。万博1manbetx

首先，指定编码器属性X这样生成的代码就可以接受任意数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定上限的预测数据大小，和杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configuration . x . sizevector = [Inf 34];configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的次数。在本例中，代码指定大小的上限为INF.大小是可变的，也就是说X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须是固定的。X包含34个预测，所以的值秘诀属性必须是34和的值杂色金属依赖项属性必须假．

如果使用新的数据或不同的设置重新训练SVM模型，支持向量的数量可能会有所不同。万博1manbetx因此，指定的编码器属性万博1manbetxSupportVectors这样就可以更新生成的代码支持向量。万博1manbetx

configurer.万博1manbetxSupportVectors.SizeVector = [250 34];

Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si万博1manbetxzeVector属性以满足配置约束。

configurer.万博1manbetxsupportVectors.variabledimensions = [true false];

已修改Alpha的VariableDimensions属性以满足配置约束。修改了SupportVectorLabels的VariableDi万博1manbetxmensions属性以满足配置约束。

如果修改编码器属性万博1manbetxSupportVectors，然后软件修改的编码器属性Α和万博1manbetxSupportVectorLabels满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器．

使用generateCode为此生成代码预测和更新SVM分类模型的函数(Mdl）默认设置。

generateCode(配置)

generateCode创建输出文件夹在这些文件中： 'initialize.m'， 'predict.m'， 'update.m'， 'ClassificationSVMModel.mat' 代码生成成功。

generateCode生成生成代码所需的MATLAB文件，包括两个入口点函数predict.m和update.m为了预测和更新功能Mdl， 分别。然后generateCode创建一个名为ClassificationsVMModel.对于两个入口点函数代码生成\ MEX \ ClassificationSVMModel文件夹并将MEX函数复制到当前文件夹。

验证生成的代码

通过一些预测数据来验证是否预测的函数Mdl和预测函数中返回相同的标签。要在具有多个入口点的MEX函数中调用入口点函数，请将函数名指定为第一个输入参数。

(标签,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);

相比标签和label_mex通过使用是平等的．

label_mex isequal(标签)

ans =逻辑1

是平等的返回逻辑1（真正的）如果所有输入相等。比较证实了预测的函数Mdl和预测函数中返回相同的标签。

得分_mex.可能包括舍入差异与分数．在这种情况下，比较得分_mex.和分数，允许有一个小的公差。

查找（ABS（得分 - 得分_MEX）> 1E-8）

ANS =为0x1空双列向量

比较证实了分数和得分_mex.在公差范围内相等1E-8．

培训模型和生成代码中的更新参数

使用整个数据集重新培训模型。

retrainedMdl = fitcsvm (X, Y);

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

ClassificationSVMModel ('更新'，则params）

验证生成的代码

的输出比较预测的函数retrainedMdl和预测函数。

(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);label_mex isequal(标签)

ans =逻辑1

查找（ABS（得分 - 得分_MEX）> 1E-8）

ANS =为0x1空双列向量

比较证实了标签和labels_mex是相等的，而分数值在公差范围内相等。

火车模型

装载Fisher的Iris数据集。

加载fisheririsX =量;Y =物种;

创建SVM二进制学习者模板以使用高斯内核功能并标准化预测器数据。

t = templateSVM (“KernelFunction”那“高斯”那“标准化”,真正的);

使用模板训练多牌ecoc模型T.．

Mdl = fitcecoc (X, Y,'学习者't);

Mdl是A.ClassificationECOC对象。

创建编码器配置者

控件创建一个编码器配置器ClassificationECOC模型通过使用Learnercoderconfigurer．指定预测器数据X．这Learnercoderconfigurer功能使用输入X属性的编码器属性预测功能输入。此外，将输出的数量设置为2，以便生成的代码返回第一个输出预测功能，是预测标签和否定平均二进制损失。

配置器= learnerCoderConfigurer（MDL，X，“NumOutputs”, 2)

配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName:“ClassificationECOCModel”属性,方法

配置程序是A.ClassificationECOCCoderConfigurer对象，它是一个编码器配置器一ClassificationECOC对象。的可调参数预测和更新：X那BinaryLearners那之前,成本．

指定参数的编码器属性

的编码器属性预测参数（预测数据和名称 - 值对参数'解码'和“BinaryLoss”),更新参数(支持向量机学习器万博1manbetx的支持向量)，以便您可以使用这些参数作为的输入参数预测和更新在生成的代码中。

首先，指定编码器属性X这样生成的代码就可以接受任意数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定上限的预测数据大小，和杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configurer.X.SizeVector = [Inf文件4];configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的次数。在本例中，代码指定大小的上限为INF.大小是可变的，也就是说X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须是固定的。X包含4个预测因子，所以第二个值秘诀属性必须为4和第二个值杂色金属依赖项属性必须假．

接下来，修改的编码器属性二进制数和解码用来“BinaryLoss”和'解码'生成的代码中的名称-值对参数。的编码属性二进制数．

configur.binaryloss.

ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0

要在生成的代码中使用非默认值，必须在生成代码之前指定值。指定价值属性二进制数作为“指数”．

configurer.BinaryLoss.Value =“指数”;configur.binaryloss.

ANS = EnumeratedInput与属性：属性值： '指数' SelectedOption： '内置' BuiltInOptions：{1X7细胞} IsConstant：1个可调谐性：1

如果您在何时修改属性值可调性是假(逻辑0)，软件设置可调性来真正的(逻辑1)。

的编码属性解码．

configurer.decoding.

ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0

指定IsConstant属性解码作为假这样您就可以使用所有可用值BuiltInOptions在生成的代码中。

configurer.Decoding.IsConstant = FALSE;configurer.decoding.

ANS = eNumerateDupput使用属性：value：[1x1 LearnerCoderInput] SelectedOption：'不可置位'内置选项：{'lockwuighted''丢失备用'} iSononstant：0可调性：1

该软件改变价值属性解码到A.LearnerCoderInput对象使您可以使用两者“lossweighted”和“lossbased'AS的值'解码'．此外，软件设置SelectedOption来“非常数的”和可调性来真正的．

最后，修改的编码器属性万博1manbetxSupportVectors在BinaryLearners．的编码属性万博1manbetxSupportVectors．

configur.binarylearners.su万博1manbetxpportVectors.

ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1

默认值杂色金属依赖项是[真假]因为每个学习者都有不同数量的支持向量。万博1manbetx如果您使用新的数据或不同的设置重新训练ECOC模型，SVM学习器中的支持向量的数量可能会有所不同。万博1manbetx因此，增大支持向量数目的上界。万博1manbetx

configurer.BinaryLearners.万博1manbetxSupportVectors.SizeVector = [150 4];

Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si万博1manbetxzeVector属性以满足配置约束。

如果修改编码器属性万博1manbetxSupportVectors，然后软件修改的编码器属性Α和万博1manbetxSupportVectorLabels满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。

显示编码器配置器。

配置程序

configurer = ClassificationCocoderConfigurer具有属性：更新输入：BinaryLearners：[1x1 scresisificsvmcoderConfigurer]之前：[1x1 LearnercoderInput]预测输入：x：[1x1 inumerateDute] Binaryloss：[1x1 enumerateInput]解码：[1x1 enumerateInput]代码生成参数：NUMOUTPUTS：2 OUTPUTFILENAME：'ClassificationCocModel'属性，方法

现在显示器包括二进制数和解码也是。

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器．

为此生成代码预测和更新ECOC分类模式的功能(Mdl)．

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。

这generateCode函数完成这些操作：

验证生成的代码

通过一些预测数据来验证是否预测的函数Mdl和预测函数中返回相同的标签。要在具有多个入口点的MEX函数中调用入口点函数，请将函数名指定为第一个输入参数。因为你指定的'解码'作为可调参数，通过更改IsConstant在生成代码之前的属性，您还需要在对MEX函数的调用中指定它，即使“lossweighted”是的默认值'解码'．

[标签，dropsа] =预测（mdl，x，“BinaryLoss”那“指数”）；[label_mex，delcolloss_mex] = classificationecocmodel（“预测”，X，“BinaryLoss”那“指数”那'解码'那“lossweighted”）；

相比标签来label_mex通过使用是平等的．

label_mex isequal(标签)

ans =逻辑1

是平等的返回逻辑1（真正的）如果所有输入相等。比较证实了预测的函数Mdl和预测函数中返回相同的标签。

opoloss_mex.可能包括舍入差异与NegLoss．在这种情况下，比较opoloss_mex.来NegLoss，允许有一个小的公差。

找到（ABS（NegLoss-NegLoss_mex）> 1E-8）

ANS =为0x1空双列向量

比较证实了NegLoss和opoloss_mex.在公差范围内相等1E-8．

培训模型和生成代码中的更新参数

使用不同的设置重新培训模型。指定'kernelscale'作为'汽车'因此，该软件采用启发式的方法选择合适的比例因子。

t_new = templateSVM (“KernelFunction”那“高斯”那“标准化”,真的,'kernelscale'那'汽车'）；RetrowingMDL = FitCecoc（X，Y，'学习者'，t_new）;

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

ClassificationECOCModel ('更新'，则params）

验证生成的代码

的输出比较预测的函数retrainedMdl的输出预测函数。

[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”那“指数”那'解码'那'lossbased'）；[label_mex，delcolloss_mex] = classificationecocmodel（“预测”，X，“BinaryLoss”那“指数”那'解码'那'lossbased'）；label_mex isequal(标签)

ans =逻辑1

找到（ABS（NegLoss-NegLoss_mex）> 1E-8）

ANS =为0x1空双列向量

比较证实了标签和label_mex是相等的,NegLoss和opoloss_mex.在公差范围内是相等的。

火车模型

加载carsmall数据集和训练支持向量机回归模型使用前50个观察。

加载carsmallx = [马力，重量];Y = MPG;mdl = fitrsvm（x（1:50，:)，y（1:50））;

Mdl是A.回归vm.对象。

创建编码器配置者

控件创建一个编码器配置器回归vm.模型通过使用Learnercoderconfigurer．指定预测器数据X．这Learnercoderconfigurer功能使用输入X属性的编码器属性预测功能输入。

配置= learnerCoderConfigurer (Mdl X (1:50,:));

配置程序是A.RegressionSVMCoderConfigurer对象，它是一个编码器配置器一回归vm.对象。

指定参数的编码器属性

指定支持向量机回归模型参数的编码器属性，以便您可以在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性，以及支持向量机回归模型的支持向量的编码器属性。万博1manbetx

首先，指定编码器属性X这样生成的代码就可以接受任意数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定上限的预测数据大小，和杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configuration . x . sizevector = [Inf 2];configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的次数。在本例中，代码指定大小的上限为INF.大小是可变的，也就是说X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须是固定的。X包含两个预测器，因此秘诀属性的值必须为2杂色金属依赖项属性必须假．

如果使用新的数据或不同的设置重新训练SVM模型，支持向量的数量可能会有所不同。万博1manbetx因此，指定的编码器属性万博1manbetxSupportVectors这样就可以更新生成的代码支持向量。万博1manbetx

configurer.万博1manbetxSupportVectors.SizeVector = [250 2];

Alpha的SizeVector属性已被修改以满足配置约束。

configurer.万博1manbetxsupportVectors.variabledimensions = [true false];

已修改Alpha的VariableDimensions属性以满足配置约束。

如果修改编码器属性万博1manbetxSupportVectors，然后软件修改的编码器属性Α满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器．

使用generateCode为此生成代码预测和更新SVM回归模型的功能（Mdl）默认设置。

generateCode(配置)

GenerateCode在输出文件夹中创建这些文件：'Initialize.m'，'predict.m'，'update.m'，'回归vmmodel.mat'代码生成成功。

generateCode生成生成代码所需的MATLAB文件，包括两个入口点函数predict.m和update.m为了预测和更新功能Mdl， 分别。然后generateCode创建一个名为RegressionSVMModel对于两个入口点函数codegen \墨西哥人\ RegressionSVMModel文件夹并将MEX函数复制到当前文件夹。

验证生成的代码

通过一些预测数据来验证是否预测的函数Mdl和预测在MEX功能函数返回相同的预计响应。要在具有多个入口点的MEX函数中调用入口点函数，请将函数名指定为第一个输入参数。

yfit =预测（MDL，X）;yfit_mex = RegressionSVMModel (“预测”, X);

yfit_mex可能包括舍入差异与YFIT.．在这种情况下，比较YFIT.和yfit_mex，允许有一个小的公差。

查找（ABS（YFIT-YFIT_MEX）> 1E-6）

ANS =为0x1空双列向量

比较证实了YFIT.和yfit_mex在公差范围内相等1E-6．

培训模型和生成代码中的更新参数

使用整个数据集重新培训模型。

retrainedMdl = fitrsvm (X, Y);

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

回归vmmodel（'更新'，则params）

验证生成的代码

的输出比较预测的函数retrainedMdl和预测函数。

yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel (“预测”, X);查找（ABS（YFIT-YFIT_MEX）> 1E-6）

ANS =为0x1空双列向量

比较证实了YFIT.和yfit_mex在公差范围内相等1E-6．

火车模型

加载CARBIG.数据集，并使用一半的观察来培训回归树模型。

加载CARBIG.X =[排量马力重量];Y = MPG;rng ('默认'）重复性的％n =长度(Y);idxTrain = randsample (n, n / 2);XTrain = X (idxTrain:);YTrain = Y (idxTrain);Mdl = fitrtree (XTrain YTrain);

Mdl是A.RegressionTree对象。

创建编码器配置者

控件创建一个编码器配置器RegressionTree模型通过使用Learnercoderconfigurer．指定预测器数据XTrain．这Learnercoderconfigurer功能使用输入XTrain属性的编码器属性预测功能输入。另外，设定的输出的数目为2，使所生成的代码返回预测的预测响应和节点号码。

配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”2);

配置程序是A.RegressionTreeCoderConfigurer对象，它是一个编码器配置器一RegressionTree对象。

指定参数的编码器属性

指定回归树模型参数的编码器属性，以便您可以在重新训练模型后更新生成代码中的参数。

属性的编码器属性X的属性配置程序这样生成的代码就可以接受任意数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定上限的预测数据大小，和杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configurer.x.sizevector = [INF 3];configur.x.variabledimensions.

ans =1 x2逻辑阵列1 0.

第一个维度的大小是观测的次数。的值秘诀属性来INF.导致软件修改杂色金属依赖项属性来1．换句话说，大小的上限是INF.和大小是可变的，这意味着预测数据可具有任何数量的观察。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须是固定的。由于预测器数据包含3个预测器，因此秘诀属性必须3.以及它的价值杂色金属依赖项属性必须0.．

如果使用新的数据或不同的设置重新训练树模型，树中的节点数量可能会有所不同。因此，指定的第一个维度秘诀属性，以便更新生成的代码中的节点数量:孩子们那割点那CutPredictorIndex,或寡码．然后，软件会自动修改其他属性。

例如，设置第一个值秘诀属性的寡码财产INF.．软件修改了秘诀和杂色金属依赖项的属性孩子们那割点,CutPredictorIndex匹配树中节点数量的新上限。另外，第一个值杂色金属依赖项属性寡码改变到1．

configurer.NodeMean.SizeVector = [Inf文件1];

修改了Children的sizeevector属性以满足配置约束。CutPoint的SizeVector属性已被修改以满足配置约束。CutPredictorIndex的SizeVector属性已被修改以满足配置约束。已修改Children的VariableDimensions属性以满足配置约束。已修改CutPoint的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。

configur.nodemean.variabledimensions.

ans =1 x2逻辑阵列1 0.

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器．

为此生成代码预测和更新回归树模型的功能(Mdl)．

generateCode(配置)

generateCode创建输出文件夹在这些文件中： 'initialize.m'， 'predict.m'， 'update.m'， 'RegressionTreeModel.mat' 代码生成成功。

这generateCode函数完成这些操作：

验证生成的代码

通过一些预测数据来验证是否预测的函数Mdl和预测在MEX功能函数返回相同的预计响应。要在具有多个入口点的MEX函数中调用入口点函数，请将函数名指定为第一个输入参数。

[YFIT，Node] =预测（MDL，XTrain）;[yfit_mex，node_mex] = regressiontreemodel（“预测”, XTrain);

相比Yfit来Yfit_mex和节点来node_mex.．

MAX（ABS（Yfit-Yfit_mex），[]“所有”）

ANS = 0

isequal（节点，node_mex）

ans =逻辑1

一般来说,Yfit_mex可能包括舍入差异与Yfit．在这种情况下，比较证实了Yfit和Yfit_mex是相等的。

是平等的返回逻辑1（真正的）如果所有输入参数都是相等的。比较证实了预测的函数Mdl和预测函数中返回相同的节点号。

培训模型和生成代码中的更新参数

使用整个数据集重新培训模型。

retrainedMdl = fitrtree（X，Y）;

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

RegressionTreeModel（'更新'，则params）

验证生成的代码

比较来自的输出参数预测的函数retrainedMdl和预测函数。

[Yfit，节点] =预测（retrainedMdl，X）;[yfit_mex，node_mex] = regressiontreemodel（“预测”, X);MAX（ABS（Yfit-Yfit_mex），[]“所有”）

ANS = 0

isequal（节点，node_mex）

ans =逻辑1

通过比较，确认了预测响应和节点数是相等的。