更新代码生成的模型参数
生成C/ c++代码预测
和更新
通过使用编码器配置器对象实现机器学习模型的功能。使用learnerCoderConfigurer
及其对象功能generateCode
.然后你可以用更新
函数更新生成代码中的模型参数,而无需重新生成代码。当您使用新数据或设置重新训练模型时,此功能可以减少重新生成、重新部署和重新验证C/C++代码所需的工作量。
此流程图显示使用编码器配置程序的代码生成工作流程。使用更新
为突出显示的步骤。
如果不生成代码,则不需要使用更新
函数。当你在Matlab中恢复模型时®,返回的模型已经包括修改的参数。
的更新版本updatedMdl
=更新(MDL
,params
)MDL
包含新参数的params
.
重新训练模型后,使用validatedUpdateInputs
功能以检测重新训练模型和验证已修改参数的修改后的参数值是否满足的参数的编码器的属性。使用的输出validatedUpdateInputs
中,验证参数,作为输入params
更新模型参数。
使用部分数据集训练支持向量机模型,并为模型创建编码器配置器。使用编码器配置器的属性来指定支持向量机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。然后使用整个数据集重新恢复模型,并在生成的代码中更新参数而无需重新生成代码。
火车模型
加载电离层
数据集。该数据集具有34个预测和雷达回波351个二进制应答,要么坏('B'
)或好('G'
).使用前50个观察列出二进制SVM分类模型。
负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
MDL
是A.ClassificationSVM
目的。
创建编码器配置程序
控件创建一个编码器配置器ClassificationSVM
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。另外,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。
configurer=learnercoderconfiguer(Mdl,X(1:50,:),'NumOutputs',2);
配置
是A.分类VMCoderConfiguration
对象是一个编码器配置程序ClassificationSVM
目的。
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。
configurer.X.SizeVector = [34 Inf文件]。configurer.X.VariableDimensions = [真假];
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34个预测因子,因此值SizeVector
属性必须是34和值的值VariableDimensions
属性必须是假的
.
如果使用新数据或不同设置重新训练SVM模型,则支持向量的数量可能会有所不同。因此,请指定的编码器属性万博1manbetx万博1manbetx支持监视器
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 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];
Alpha的VariableDimensions属性已修改以满足配置约束。SupportVectorLabels的VariableDimensions属性已修改以满足配置约束。万博1manbetx
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。
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.
使用generateCode
生成的代码预测
和更新
该SVM分类模型的函数(MDL
)的默认设置。
generateCode(配置者)
GenerateCode在输出文件夹中创建这些文件:'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
为预测
和更新
函数MDL
,分别。然后generateCode
创建一个名为MEX功能ClassificationSVMModel
的两个入口点函数codegen \ 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
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。
[标签,得分]=预测(Mdl,X);[标签、分数]=分类VMModel('预测', X);
相比标签
和label_mex
利用isequal
.
label_mex isequal(标签)
ans=逻辑1
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。
score_mex
可能包括舍入差异与分数
.在这种情况下,比较score_mex
和分数
,允许小的公差。
找到(abs (score-score_mex) > 1 e-8)
ans = 0x1空双列向量
对比证实了分数
和score_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
使用整个数据集重新训练模型。
retrainedMdl = fitcsvm (X, Y);
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。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
ClassificationSVMModel ('更新',params)
验证生成的代码
比较从输出预测
功能再培训DMDL
和预测
功能更新MEX功能。
[标签,得分]=预测(再培训DMDL,X);[标签、分数]=分类VMModel('预测', X);label_mex isequal(标签)
ans=逻辑1
找到(abs (score-score_mex) > 1 e-8)
ans = 0x1空双列向量
对比证实了标签
和Labels_mex.
等于,分数值在公差范围内相同。
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。
负载鱼腥草X =量;Y =物种;
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。
t = templateSVM ('KernelFunction',“高斯”,“标准化”,真的);
使用模板训练一个多类ECOC模型t
.
MDL = fitcecoc(X,Y,“学习者”,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。
configurer = 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
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。
configurer.x.sizevector = [INF 4];configurer.X.VariableDimensions = [真假];
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
.
配置。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'
.
configur.binaryloss.value =.'指数';配置。BinaryLoss
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
.
configurer.decoding.
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。
configur.decoding.isconstant = false;configurer.decoding.
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
.
configurer.BinaryLearners.万博1manbetxSupportVectors
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。
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。
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
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(配置者)
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”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,'指数');[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测', X,“BinaryLoss”,'指数',“解码”,“迷失方向”);
相比标签
到label_mex
利用isequal
.
label_mex isequal(标签)
ans=逻辑1
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。
查找(ABS(Depostoss-Deportst_mex)> 1E-8)
ans = 0x1空双列向量
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。
t_new = templateSVM('KernelFunction',“高斯”,“标准化”,真的,'kernelscale',“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”,t_new);
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。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
分类模型('更新',params)
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。
[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”,'指数',“解码”,'失败');[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测', X,“BinaryLoss”,'指数',“解码”,'失败');label_mex isequal(标签)
ans=逻辑1
查找(ABS(Depostoss-Deportst_mex)> 1E-8)
ans = 0x1空双列向量
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。
使用部分数据集列万博1manbetx车支持向量机(SVM)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支持向量机模型参数的编码器属性。使用编码器配置器的对象函数来生成C代码,该代码预测新的预测器数据的响应。然后使用整个数据集重新恢复模型,并在生成的代码中更新参数而无需重新生成代码。
火车模型
加载carsmall
使用前50个观测值设置数据集并训练SVM回归模型。
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
MDL
是A.RegressionSVM
目的。
创建编码器配置程序
控件创建一个编码器配置器RegressionSVM
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。
配置器= learnerCoderConfigurer(MDL,X(1:50,:));
配置
是A.RegressionSVMCoderConfigurer
对象是一个编码器配置程序RegressionSVM
目的。
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。
configurer.X.SizeVector=[Inf 2];configurer.X.VariableDimensions=[true-false];
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
包含两个预测器,因此SizeVector
属性必须是两个和的值VariableDimensions
属性必须是假的
.
如果使用新数据或不同设置重新训练SVM模型,则支持向量的数量可能会有所不同。因此,请指定的编码器属性万博1manbetx万博1manbetx支持监视器
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属性已被修改以满足配置约束。
configurer.万博1manbetxSupportVectors.VariableDimensions = [true false];
为阿尔法VariableDimensions属性已被修改,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
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。
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.
使用generateCode
生成的代码预测
和更新
支持向量机回归模型(MDL
)的默认设置。
generateCode(配置者)
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update.m
为预测
和更新
函数MDL
,分别。然后generateCode
创建一个名为MEX功能RegressionSVMModel
的两个入口点函数codegen\mex\RegressionSVMModel
文件夹并将MEX函数复制到当前文件夹。
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
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 = REGERRIONSVMMODEL('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
,允许小的公差。
找到(abs (yfit-yfit_mex) > 1 e-6)
ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在宽容范围内相同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。
retrainedMdl = fitrsvm(X,Y);
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。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
RegressionSVMModel ('更新',params)
验证生成的代码
比较从输出预测
功能再培训DMDL
和预测
功能更新MEX功能。
yfit=预测(再培训DMDL,X);yfit\u mex=回归VMModel('预测', X);找到(abs (yfit-yfit_mex) > 1 e-6)
ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在宽容范围内相同1E-6
.
使用部分数据集训练回归树,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器数据响应的C代码。然后使用整个数据集重新训练模型,并在不重新生成代码的情况下更新生成代码中的参数。
火车模型
加载CARBIG.
数据集,并训练回归树模型使用一半的观察。
负载CARBIG.X=[排量马力重量];Y=MPG;rng(“默认”)%的再现性n=长度(Y);idxTrain=随机样本(n,n/2);XTrain=X(idxTrain,:);YTrain=Y(idxTrain);Mdl=FirtTree(XTrain,YTrain);
MDL
是A.RegressionTree
目的。
创建编码器配置程序
控件创建一个编码器配置器RegressionTree
利用learnerCoderConfigurer
.指定预测器数据XTrain
.的learnerCoderConfigurer
函数使用输入XTrain
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的预测响应和节点号。
配置= learnerCoderConfigurer (Mdl XTrain,'NumOutputs',2);
配置
是A.RegressionTreeCoderConfigurer
对象是一个编码器配置程序RegressionTree
目的。
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。
指定的编码器属性X
性质配置
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。
[Inf 3];configurer.X.VariableDimensions
ans=1×2阵列的逻辑1 0
第一个维度的大小是观察的数量。设置SizeVector
把某事归因于某人正
导致软件改变的价值VariableDimensions
把某事归因于某人1
. 换句话说,大小的上限是正
大小是可变的,这意味着预测器数据可以具有任何数量的观察。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,此值必须固定。由于预测器数据包含3个预测器,因此SizeVector
属性必须是3.
以及VariableDimensions
属性必须是0
.
如果您在使用新的数据或不同的设置重新训练树模型,节点的树的数量可以改变。因此,指定的第一个维度SizeVector
这些性能,这样就可以更新在生成的代码的节点的数目中的一个的属性:儿童
,割点
,cutpredictorindex.
, 或者NodeMean
.然后软件会自动修改其他属性。
的第一个值SizeVector
属性的NodeMean
财产正
.软件修改SizeVector
和VariableDimensions
属性儿童
,割点
, 和cutpredictorindex.
以匹配树中节点数目的新上限。的第一个值VariableDimensions
属性NodeMean
更改1
.
configur.nodemean.sizevector = [INF 1];
儿童SizeVector属性已被修改,以满足配置约束。为截点SizeVector属性已被修改,以满足配置约束。对于CutPredictorIndex SizeVector属性已被修改,以满足配置约束。儿童VariableDimensions属性已被修改,以满足配置约束。为截点VariableDimensions属性已被修改,以满足配置约束。对于CutPredictorIndex VariableDimensions属性已被修改,以满足配置约束。
configurer.NodeMean.VariableDimensions
ans=1×2阵列的逻辑1 0
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
回归树模型的功能(MDL
).
generateCode(配置者)
GenerateCode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m','reightiontreemodel.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RegressionTreeModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen\mex\RegressionTreeModel
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
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、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel ('预测',XTrain);
相比伊菲特
到Yfit_mex
和节点
到node_mex
.
max(abs(yfit-yfit_mex),[],“全部”)
ans = 0.
node_mex isequal(节点)
ans=逻辑1
一般来说,Yfit_mex
可能包括比四舍五入的差异伊菲特
.在本例中,比较证实了这一点伊菲特
和Yfit_mex
是相等的。
isequal
返回逻辑1 (真的
),如果所有输入参数相等。比较证实了预测
功能MDL
和预测
MEX函数中的函数返回相同的节点号。
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。
RetrowingMDL = FITRTREE(X,Y);
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。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
RegressionTreeModel ('更新',params)
验证生成的代码
的输出参数比较预测
功能再培训DMDL
和预测
功能更新MEX功能。
[YFIT,Node] =预测(RetratingMDL,X);[Yfit_mex, node_mex] = RegressionTreeModel ('预测', X);max(abs(yfit-yfit_mex),[],“全部”)
ans = 0.
node_mex isequal(节点)
ans=逻辑1
比较确认预测响应和节点数相等。
MDL
- - - - - -机器学习模型机器学习模型,指定为模型对象,如本支持模型表所示。万博1manbetx
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | ClassificationLinear |
用于SVM和线性型号的多键模型 | CompactClassificationECOC |
二进制决策树的回归 | CompactRegressionTree |
万博1manbetx支持向量机回归 | CompactRegressionSVM |
线性回归 | RegressionLinear |
有关机器学习模型的代码生成使用说明和限制,请参阅模型对象页面的代码生成部分。
params
- - - - - -参数更新在机器学习模型中更新的参数,指定为具有用于更新的每个参数的字段的结构。
创建params
通过使用validatedUpdateInputs
函数。该函数检测重新训练的模型中修改的参数,验证修改的参数值是否满足参数的编码器属性,并返回要更新的参数作为结构。
如本表所述,可以更新的参数集因机器学习模型而异。
模型 | 更新参数 |
---|---|
用于多类分类的二叉决策树 | 儿童 ,类概率 ,成本 ,割点 ,cutpredictorindex. ,事先的 |
支持向量机用于一类和二值分类 |
|
二元分类的线性模型 | bet ,偏见 ,成本 ,事先的 |
用于SVM和线性型号的多键模型 | |
二进制决策树的回归 | 儿童 ,割点 ,cutpredictorindex. ,NodeMean |
支持向量机回归 |
|
线性回归 | bet ,偏见 |
如果在重新训练模型时修改表中列出的任何名称-值对参数,则不能使用更新
更新参数。您必须重新生成C / C ++代码。
模型 | 参数不支持更新万博1manbetx |
---|---|
用于多类分类的二叉决策树 | 参数的fitctree - - - - - -“类名” ,“分数变换” |
支持向量机用于一类和二值分类 | 参数的fitcsvm - - - - - -“类名” ,'KernelFunction' ,'PolynomialOrder' ,“分数变换” ,“标准化” |
二元分类的线性模型 | 参数的FitClinear. - - - - - -“类名” ,“分数变换” |
用于SVM和线性型号的多键模型 | 参数的 如果您指定二进制学习者
|
二进制决策树的回归 | 参数的fitrtree. - - - - - -“ResponseTransform” |
支持向量机回归 | 参数的fitrsvm - - - - - -'KernelFunction' ,'PolynomialOrder' ,“ResponseTransform” ,“标准化” |
线性回归 | 参数的fitrlinear - - - - - -“ResponseTransform” |
在编码器配置器工作流中,您使用generateCode
同时创建update.m
入口点函数和入口点函数的MEX函数。假设MEX函数的名称为myModel
,你叫更新
使用这种语法。
myModel ('更新',params)
要了解此页面上描述的语法如何在入口点函数中使用,显示该页面的内容update.m
和initialize.m
通过使用类型
函数。
类型update.m类型initialize.m
有关显示内容的示例update.m
和initialize.m
文件,请参阅使用编码器配置器生成代码.
在编码器配置器工作流中MDL
的输入参数更新
是否返回模型loadLearnerForCoder
.这个模式和updatedMdl
对象是主要包含预测所需属性的简化分类或回归模型。
使用注意事项及限制:
使用创建编码器配置器learnerCoderConfigurer
然后生成代码预测
和更新
通过使用对象函数generateCode
.
对于机器学习模型的代码生成的使用注意事项和限制MDL
,请参见“模型对象”页面的“代码生成”部分。
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | ClassificationLinear |
用于SVM和线性型号的多键模型 | CompactClassificationECOC |
二进制决策树的回归 | CompactRegressionTree |
万博1manbetx支持向量机回归 | CompactRegressionSVM |
线性回归 | RegressionLinear |
有关更多信息,请参见代码生成简介.
vous avezcliquésur联合国Lien qui对应àcette commande matlab:
倒入执行器LA COMMANDE,saisissez-LA LA丹斯德Fenêtre两家德COMMANDE MATLAB。莱斯navigateurs网NE suppor万博1manbetxtent PAS莱commandes MATLAB。
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。