主要内容

RegressionSVMCoderConfigurer

支持向量机（SVM）回归模型的编码器配置器万博1manbetx

在第页中展开全部

描述

A.RegressionSVMCoderConfigurer对象是支持向量机回归模型的编码器配置器(RegressionSVM或CompactRegressionSVM）.

编码器配置器提供了方便的功能来配置代码生成选项、生成C/C++代码以及更新生成代码中的模型参数。

  • 配置代码生成选项，并使用对象属性为SVM模型参数指定编码器属性。

  • 生成C/ c++代码预测和使现代化利用支持向量机回归模型的函数generateCode．生成C/ c++代码需要MATLAB®编码器™．

  • 在生成的C/C++代码中更新模型参数，而无需重新生成代码。当您使用新数据或设置重新训练SVM模型时，此功能可减少重新生成、重新部署和重新验证C/C++代码所需的工作量。在更新模型参数之前，请使用验证更新输入验证并提取要更新的模型参数。

此流程图显示了使用编码器配置器的代码生成工作流。

两个代码生成工作流：第一个是在培训模型后生成的，第二个是在重新培训同一模型后生成的。第一个工作流，步骤1：创建编码器配置器。步骤2：生成代码。步骤3：验证生成的代码。第二个工作流，步骤1：检查更新是否有效。如果是，请转至步骤2；如果否，请转至第一个工作流的第一步。步骤2：更新生成代码中的模型参数。

有关支持向量机回归模型的代码生成使用说明和限制，请参阅CompactRegressionSVM,预测和使现代化．

创造

在使用菲特斯姆，使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer．的编码器属性预测和使现代化参数。然后,用generateCode根据指定的编码器属性生成C/C++代码。

性质

全部展开

预测论据

属性的编码器属性预测生成的代码中的函数参数。

编码器属性的预测器数据传递到生成的C/ c++代码预测SVM回归模型的函数，指定为学习者输入对象

使用创建编码器配置器时learnerCoderConfigurer函数，输入参数X属性的默认值学习者输入编码器属性：

  • SizeVector—默认值为输入的数组大小X．

  • 可变尺寸-此值为[0 0]（默认）或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，的第一个值SizeVector是行数的上限，是的第二个值SizeVector是列数。

  • 数据类型-此值为仅有一个的或双重的。默认数据类型取决于输入的数据类型X．

  • 可调性-此值必须为符合事实的，意思是预测在生成的C/ c++代码中总是包含预测器数据作为输入。

您可以使用点表示法修改编码器属性。例如，要生成接受三个预测变量的100个观测值的预测数据的C/C++代码，请指定X对于编码器配置器配置:

configurer.X.SizeVector=[100 3]；configurer.X.DataType=“双”；configurer.X.VariableDimensions=[0]；
[0 0]表示的第一个和第二个维度X（观察数和预测变量数分别）具有固定大小。

要允许生成的C/C++代码接受最多100个观测值的预测器数据，请指定X:

configurer.X.SizeVector=[100 3]；configurer.X.DataType=“双”；configurer.X.VariableDimensions = [1 0];
[1 0]指示的第一个维度X（观察次数）具有可变大小和X（预测变量的数量）具有固定的大小。指定的观察数量（本例中为100）将成为生成的C/C++代码中允许的最大观察数量。若要允许任意数量的观察，请将边界指定为正．

要从生成的C/C++代码返回的输出参数数预测SVM回归模型的函数，指定为1。预测返回伊菲特(预测响应)在生成的C/ c++代码中。

这个NumOutputs属性相当于“-nargout”编译器选项编码基因(MATLAB编码器)。此选项指定代码生成的入口点函数中的输出参数数。对象函数generateCode生成两个入口点函数predict.m和更新.m为预测和使现代化函数，分别生成两个入口点函数的C/C++代码NumOutputs属性对应于入口点函数中的输出参数数predict.m．

数据类型：仅有一个的|双重的

使现代化论据

属性的编码器属性使现代化生成的代码中的函数参数使现代化函数接受训练过的模型和新的模型参数作为输入参数，并返回包含新参数的模型的更新版本。要启用更新生成代码中的参数，您需要在生成代码之前指定参数的编码器属性。使用一个学习者输入对象来指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数Mdl属于learnerCoderConfigurer．

对偶问题系数的编码属性(阿尔法对于SVM回归模型），指定为学习者输入对象

属性的默认属性值学习者输入对象是基于输入参数的Mdl属于learnerCoderConfigurer:

  • SizeVector-默认值为[s,1]哪里s是中的支持向量数万博1manbetxMdl．

  • 可变尺寸-此值为[0 0]（默认）或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，的第一个值SizeVector是行数的上限，是的第二个值SizeVector是列数。

  • 数据类型-此值为“单身”或“双”。默认数据类型与用于培训的培训数据的数据类型一致Mdl．

  • 可调性-如果你用线性核函数训练一个模型，并使用万博1manbetx丢弃支持向量万博1manbetx，此值必须为假．否则，该值必须为符合事实的．

原始线性问题系数的编码器属性(贝塔对于SVM回归模型），指定为学习者输入对象

属性的默认属性值学习者输入对象是基于输入参数的Mdl属于learnerCoderConfigurer:

  • SizeVector-此值必须为(1页)哪里P是中预测值的数量Mdl．

  • 可变尺寸-此值必须为[0 0]，表示数组大小是固定的，如中所指定SizeVector．

  • 数据类型-此值为“单身”或“双”。默认数据类型与用于培训的培训数据的数据类型一致Mdl．

  • 可调性-如果你用线性核函数训练一个模型，并使用万博1manbetx丢弃支持向量万博1manbetx，此值必须为符合事实的．否则，该值必须为假．

偏差项的编码器属性(偏见对于SVM回归模型），指定为学习者输入对象

属性的默认属性值学习者输入对象是基于输入参数的Mdl属于learnerCoderConfigurer:

  • SizeVector-此值必须为[1 1]．

  • 可变尺寸-此值必须为[0 0]，表示数组大小是固定的，如中所指定SizeVector．

  • 数据类型-此值为“单身”或“双”。默认数据类型与用于培训的培训数据的数据类型一致Mdl．

  • 可调性-此值必须为符合事实的．

预测器的编码属性意味着(亩对于SVM回归模型），指定为学习者输入对象

属性的默认属性值学习者输入对象是基于输入参数的Mdl属于learnerCoderConfigurer:

  • SizeVector-如果你训练Mdl通过指定“标准化”,真正的，此值必须为(1, p)哪里P是中预测值的数量Mdl．否则，该值必须为(0,0)．

  • 可变尺寸-此值必须为[0 0]，表示数组大小是固定的，如中所指定SizeVector．

  • 数据类型-此值为“单身”或“双”。默认数据类型与用于培训的培训数据的数据类型一致Mdl．

  • 可调性-如果你训练Mdl通过指定“标准化”,真正的，默认值为符合事实的．否则，该值必须为假．

内核比例参数的编码器属性(核参数规模对于SVM回归模型），指定为学习者输入对象

属性的默认属性值学习者输入对象是基于输入参数的Mdl属于learnerCoderConfigurer:

  • SizeVector-此值必须为[1 1]．

  • 可变尺寸-此值必须为[0 0]，表示数组大小是固定的，如中所指定SizeVector．

  • 数据类型-此值为“单身”或“双”。默认数据类型与用于培训的培训数据的数据类型一致Mdl．

  • 可调性-默认值为符合事实的．

预测器标准偏差的编码器属性(西格玛对于SVM回归模型），指定为学习者输入对象

属性的默认属性值学习者输入对象是基于输入参数的Mdl属于learnerCoderConfigurer:

  • SizeVector-如果你训练Mdl通过指定“标准化”,真正的，此值必须为(1, p)哪里P是中预测值的数量Mdl．否则，该值必须为(0,0)．

  • 可变尺寸-此值必须为[0 0]，表示数组大小是固定的，如中所指定SizeVector．

  • 数据类型-此值为“单身”或“双”。默认数据类型与用于培训的培训数据的数据类型一致Mdl．

  • 可调性-如果你训练Mdl通过指定“标准化”,真正的，默认值为符合事实的．否则，该值必须为假．

支持向量的编码属性(万博1manbetx万博1manbetx支持向量对于SVM回归模型），指定为学习者输入对象

属性的默认属性值学习者输入对象是基于输入参数的Mdl属于learnerCoderConfigurer:

  • SizeVector-默认值为(s, p)哪里s是支持向量的数量，并且万博1manbetxP是中预测值的数量Mdl．

  • 可变尺寸-此值为[0 0]（默认）或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，的第一个值SizeVector是行数的上限，是的第二个值SizeVector是列数。

  • 数据类型-此值为“单身”或“双”。默认数据类型与用于培训的培训数据的数据类型一致Mdl．

  • 可调性-如果你用线性核函数训练一个模型，并使用万博1manbetx丢弃支持向量万博1manbetx，此值必须为假．否则，该值必须为符合事实的．

其他配置程序选项

生成的C/C++代码的文件名，指定为字符向量。

目标函数generateCode属于RegressionSVMCoderConfigurer使用此文件名生成C/ c++代码。

文件名不能包含空格，因为在某些操作系统配置中，空格可能导致代码生成失败。此外，名称必须是有效的MATLAB函数名。

创建编码器配置器后配置，可以使用点表示法指定文件名。

configurer.OutputFileName=“myModel”；

数据类型：字符

详细级别，指定为符合事实的(逻辑1)或假（逻辑0）。详细级别控制命令行中通知消息的显示。

价值 描述
符合事实的(逻辑1) 当对参数的编码器属性所做的更改导致其他相关参数的更改时，软件将显示通知消息。
假(逻辑0) 软件不显示通知消息。

要在生成的代码中更新机器学习模型参数，需要在生成代码之前配置参数的编码器属性。参数的编码器属性相互依赖，因此软件将依赖项存储为配置约束。如果使用编码器配置器修改参数的编码器属性，并且修改需要后续更改其他从属参数以满足配置约束，则软件会更改从属参数的编码器属性。详细级别确定软件是否显示这些后续更改的通知消息。

创建编码器配置器后配置，您可以使用点表示法修改详细程度。

configurer.Verbose=false；

数据类型：必然的

代码生成自定义选项

要自定义代码生成工作流，请使用生成文件函数和以下三个属性编码基因(MATLAB编码器)，而不是使用generateCode作用

在生成两个入口点函数文件(predict.m和更新.m)，使用生成文件函数，您可以根据代码生成工作流修改这些文件。例如，可以修改predict.m文件以包括数据预处理，或者您可以将这些入口点函数添加到另一个代码生成项目中。然后，您可以使用编码基因(MATLAB编码器)功能与功能编码基因适合于修改的入口点函数或代码生成项目的参数。使用本节中描述的三个属性作为起点来设置编码基因参数。

此属性是只读的。

编码基因(MATLAB编码器)参数，指定为单元格数组。

此属性使您能够自定义代码生成工作流。使用generateCode如果不需要自定义工作流，则可以使用此函数。

而不是使用generateCode使用编码器配置器配置，可以生成C/C++代码，如下所示：

generateFiles（configurer）cgArgs=configurer.CodeGeneratorGuments；codegen（cgArgs{:}）
如果自定义代码生成工作流，请修改cgArgs在打电话之前编码基因．

修改的其他属性配置，软件会更新共生成元相应的属性。

数据类型：细胞

此属性是只读的。

入口点函数的输入参数predict.m对于代码生成，指定为编码器。PrimitiveType(MATLAB编码器)反对编码器。PrimitiveType对象中存储的预测器数据的编码器属性X所有物

如果你修改了预测器数据的编码属性，那么软件就会更新编码器。PrimitiveType相应的对象。

这个编码器。PrimitiveType反对预测输入相当于configurer.CodeGeneratorGuments{6}对于编码器配置器配置．

数据类型：细胞

此属性是只读的。

入口点函数的可调输入参数列表更新.m对于代码生成，指定为包含的结构的单元格数组编码器。PrimitiveType(MATLAB编码器)对象。每个编码器。PrimitiveType对象包含可调机器学习模型参数的编码器属性。

如果您使用编码器配置器属性修改模型参数的编码器属性(使现代化论据属性），然后软件更新相应的编码器。PrimitiveType反对。如果指定可调性机器学习模型参数的属性为假，则软件删除相应的编码器。PrimitiveType来自更新输入列表。

结构更新输入相当于配置。CodeGenerationArguments {3}对于编码器配置器配置．

数据类型：细胞

对象的功能

generateCode 使用编码器配置器生成C/C++代码
生成文件 生成MATLAB用于使用编码器配置器生成代码的文件
验证更新输入 验证并提取机器学习模型参数以进行更新

例子

全部折叠

这个示例使用:

打开实时脚本

训练一个机器学习模型，然后生成代码预测和使现代化使用编码器配置器实现模型的功能。

加载卡斯莫尔数据集和训练支持向量机(SVM)回归模型。万博1manbetx

负载卡斯莫尔X=马力，重量；Y=每加仑；Mdl=fitrsvm（X，Y）；

Mdl是一个RegressionSVM对象

控件创建一个编码器配置器RegressionSVM模型通过使用learnerCoderConfigurer. 指定预测数据X．这个learnerCoderConfigurer函数使用输入X属性的编码器属性预测函数输入。

configurer=learnercoderconfiguer（Mdl，X）
configurer=RegressionsVMCoderConfiguration with properties:Update Inputs:Alpha:[1x1 LearnerCoderInput]Sup万博1manbetxportVectors:[1x1 LearnerCoderInput]Scale:[1x1 LearnerCoderInput]Bias:[1x1 LearnerCoderInput]预测输入：X:[1x1 LearnerCoderInput]代码生成参数：Numoutput:1输出文件名：'RegressionSVMModel'属性、方法

配置是一个RegressionSVMCoderConfigurer对象，它是RegressionSVM对象

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您可以使用墨西哥设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器．

为预测和使现代化支持向量机回归模型的功能(Mdl)的默认设置。

生成代码（配置器）
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel。代码生成成功。

这个generateCode函数完成这些动作:

  • 生成MATLAB文件所需的生成代码，包括两个入口点函数predict.m和更新.m为预测和使现代化功能Mdl分别地

  • 创建一个名为回归模型对于两个入口点函数。

  • 在中为MEX函数创建代码codegen \墨西哥人\ RegressionSVMModel文件夹

  • 将MEX函数复制到当前文件夹。

显示文件的内容predict.m,更新.m和初始化.m文件，使用类型作用

类型predict.m
函数varargout=predict（X，varargin）%#codegen%由MATLAB自动生成，01-Sep-2021 14:43:16[varargout{1:nargout}]=initialize（'predict'，X，varargin{:}）；结束
类型更新.m
函数更新（varargin）%#codegen%由MATLAB自动生成，2021年9月1日14:43:16初始化（'update'，varargin{:}）；结束
类型初始化.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:43:16 code .inline('always') persistent model if isempty(model) model = loadLearnerForCoder('RegressionSVMModel.mat');end switch(command) case 'update' % update struct fields: Alpha % 万博1manbetxSupportVectors % Scale % Bias model = update(model,varargin{:});case 'predict' %预测输入:X X = varargin{1};if nargout == 2 [varargout{1:nargout}] = predict(model,X);else PVPairs = cell(1,nargin-2);for i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束结束

这个示例使用:

打开实时脚本

训练支持向量机（万博1manbetxSVM）使用部分数据集建模并为模型创建编码器配置器。使用编码器配置器的属性指定SVM模型参数的编码器属性。使用编码器配置器的目标函数生成预测新预测数据响应的C代码。然后使用整个数据集重新训练模型并更新在不重新生成代码的情况下删除生成代码中的参数。

列车模型

加载卡斯莫尔使用前50个观测值设置数据集并训练SVM回归模型。

负载卡斯莫尔X=马力，重量；Y=每加仑；Mdl=fitrsvm（X（1:50，：），Y（1:50））；

Mdl是一个RegressionSVM对象

创建编码器配置器

控件创建一个编码器配置器RegressionSVM模型通过使用learnerCoderConfigurer. 指定预测数据X．这个learnerCoderConfigurer函数使用输入X属性的编码器属性预测函数输入。

configurer=learnercoderconfiguer（Mdl，X（1:50，：）；

配置是一个RegressionSVMCoderConfigurer对象，它是RegressionSVM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，指定的编码器属性X这样生成的代码就可以接受任意数量的观察。修改SizeVector和可变尺寸属性SizeVector属性指定预测器数据大小的上限，以及可变尺寸属性指定预测器数据的每个维度是可变大小还是固定大小。

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正大小是可变的，也就是说X可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量，则可以使用此规范。

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SizeVector属性必须为2，并且可变尺寸属性必须是假．

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1manbetx支持向量这样您就可以在生成的代码中更新支持向量。万博1manbetx

configurer.万博1manbetxSupportVectors.SizeVector=[250 2]；
Alpha的SizeVector属性已修改以满足配置约束。
configurer.万博1manbetxSupportVectors.VariableDimensions=[true-false]；
Alpha的VariableDimensions属性已修改以满足配置约束。

的编码器属性万博1manbetx支持向量，然后软件修改的编码器属性阿尔法以满足配置约束。如果修改一个参数的编码器属性需要后续更改其他相关参数以满足配置约束，则软件会更改相关参数的编码器属性。

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您可以使用墨西哥设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器．

使用generateCode为预测和使现代化支持向量机回归模型的功能(Mdl)的默认设置。

生成代码（配置器）
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel。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和更新.m为预测和使现代化功能Mdl，然后generateCode创建一个名为回归模型对于中的两个入口点函数codegen \墨西哥人\ RegressionSVMModel文件夹，并将MEX功能复制到当前文件夹。

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MEX函数中的函数返回相同的预测响应。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=回归模型(“预测”, X);

yfit_mex可能包括舍入差异与伊菲特.在这种情况下，比较伊菲特和yfit_mex，允许较小的公差。

找到(abs (yfit-yfit_mex) > 1 e-6)
ans=0x1空双列向量

这一比较证实了这一点伊菲特和yfit_mex在公差范围内是相等的1 e-6．

在生成的代码中重新训练模型和更新参数

使用整个数据集重新训练模型。

再培训DMDL=fitrsvm（X，Y）；

使用提取要更新的参数验证更新输入。此功能检测中修改的模型参数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。

回归模型(“更新”，参数）

验证生成的代码

比较来自预测的函数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=0x1空双列向量

这一比较证实了这一点伊菲特和yfit_mex在公差范围内是相等的1e-6．

更多关于

全部展开

另见

||||

主题

在R2018b中引入

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：用MATLAB逐步指导

掌握机器学习：用MATLAB逐步指导

下载电子书