使用SVM二进制学习者列出错误校正输出代码（ECOC）模型，并为模型创建一个编码器配置器。使用编码器配置器的属性来指定Ecoc模型参数的编码器属性。使用编码器配置器的对象函数生成C代码，用于预测新的预测数据的标签。然后使用不同的设置重新培训模型，并在未生成代码中更新参数而无需重新生成代码。
火车模型
载入费雪的虹膜数据集。
创建一个支持向量机二元学习模板，使用高斯核函数和标准化预测数据。
使用模板训练一个多类ECOC模型t．
MDL是A.分类目的。
创建编码器配置程序
控件创建一个编码器配置器分类利用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X要配置的编码器属性，请执行以下操作：预测函数的输入。此外，将输出的数量设置为2，以便生成的代码返回预测函数，它是预测的标号和负的平均二进制损耗。
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
配置是A.classificationcoccoderconfigurer对象是一个编码器配置程序分类目的。显示器显示的所述可调谐输入参数预测和更新：X，二元收入者，事先的， 和成本．
指定参数的编码器属性
指定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（SVM学习器的支万博1manbetx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结果。修改SizeVector和VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，以及VariableDimensions属性指定预测器数据的每个维度是具有可变大小还是固定大小。
第一个维度的大小是观察数。在这种情况下，代码指定大小的上限为正大小是可变的，也就是说X可以有任意数量的意见。该规范是方便，如果生成的代码，当你不知道的观测次数。
第二个维度的大小是预测变量的数量。对于机器学习模型，该值必须是固定的。X包含4个预测器，因此SizeVector属性的第二个值必须为4VariableDimensions属性必须是假的．
接下来，修改的编码器属性BinaryLoss和解码使用“BinaryLoss”和“解码”名称 - 值对的参数在所生成的代码。显示的编码器属性BinaryLoss．
ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0
若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该值。指定价值属性BinaryLoss作为'指数'．
ANS = eNumerateDupput使用属性：value：'指数'选择选项：'内置'构建选项：{1x7 Cell} IsConstant：1可调性：1
当修改属性值时可调谐性是假的(逻辑0)，软件设置可调谐性到真的（逻辑1）。
显示的编码器属性解码．
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定iSononstant.属性解码作为假的以便使用。中的所有可用值建筑物在生成的代码中。
ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1
软件改变了价值属性解码到一个学习者输入对象，以便两者都可以使用“迷失方向”和“lossbased'作为价值“解码”．此外，该软件设置SelectedOption到“非恒定”和可调谐性到真的．
最后，修改的编码器属性万博1manbetx支持监视器在里面二元收入者.显示的编码器属性万博1manbetx支持监视器．
ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1
的默认值VariableDimensions是(真假)因为每个学习者都有不同数量的支持向量。如果使用新数据或不同设置重新训练ECOC模型，SVM学习万博1manbetx器中的支持向量数量可能会有所不同。因此，增加支持向量数量的上限。
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。
的编码器属性万博1manbetx支持监视器，然后软件修改的编码器属性Α和万博1manbetx支持向量标签以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束，则软件更改相关参数的编码器属性。
显示编码器配置器。
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] BinaryLoss: [1 x1 EnumeratedInput]解码:[1 x1 EnumeratedInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel'属性，方法
现在显示包括BinaryLoss和解码也是。
生成代码
生成C / C ++代码，你必须能够访问到被正确配置C / C ++编译器。MATLAB编码器定位和使用的支持，安装编译器。万博1manbetx您可以使用梅克斯-设置要查看和更改默认的编译器。有关更多详细信息，请参阅更改默认的编译器．
为预测和更新的ECOC分类模型的函数（MDL).
generateCode创建输出文件夹在这些文件中： 'initialize.m'， 'predict.m'， 'update.m'， 'ClassificationECOCModel.mat' 代码生成成功。
的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update.m为预测和更新函数MDL,分别。
创建一个名为ClassificationECOCModel对于两个入口点函数。
控件中创建MEX函数的代码codegen \墨西哥人\ ClassificationECOCModel文件夹。
该MEX功能复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测功能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”通过更改iSononstant.属性在生成代码之前，您还需要在对MEX函数的调用中指定它，即使如此“迷失方向”是默认值“解码”．
相比标签到label_mex利用isequal．
isequal返回逻辑1 (真的)，如果所有输入相等。比较证实了预测功能MDL和预测函数中返回相同的标签。
NegLoss_mex可能包括比四舍五入的差异内格罗斯．在这种情况下，比较NegLoss_mex到内格罗斯，允许小的公差。
对比证实了内格罗斯和NegLoss_mex在宽容范围内相同1 e-8．
在生成的代码中重新训练模型和更新参数
使用不同的设置重新训练模型。指定'kernelscale'作为“汽车”使得软件选择使用启发式算法的适当比例因子。
使用提取要更新的参数validatedUpdateInputs．该函数检测修改后的模型参数再培训DMDL并验证修改后的参数值是否满足参数的编码器属性。
更新参数在生成的代码。
验证生成的代码
比较从输出预测功能再培训DMDL的输出预测功能更新MEX功能。
对比证实了标签和label_mex相等，内格罗斯和NegLoss_mex在公差范围内相等。
