更新代码生成的模型参数
的C/ c++代码预测
和更新
使用编码器配置器对象的机器学习模型的函数。使用以下命令创建此对象learnerCoderConfigurer
其目标函数generateCode
。然后你可以使用更新
函数更新生成的代码中的模型参数,而不必重新生成代码。当您用新的数据或设置重新训练一个模型时,这个特性减少了重新生成、重新部署和重新验证C/ c++代码所需要的工作。
该流程图显示了使用编码器配置器的代码生成工作流。使用更新
对于突出显示的步骤。
如果不生成代码,则不需要使用更新
函数。当你再培训在MATLAB模型®时,返回的模型已经包括修改后的参数。
返回的更新版本updatedMdl
=更新(MDL
,参数个数
)MDL
其中包含新参数参数个数
。
对模型进行再培训后,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,作为输入参数个数
更新模型参数。
使用部分数据集训练支持向量机模型,并为该模型创建编码器配置器。使用编码器配置器的属性指定支持向量机模型参数的编码器属性。使用编码器配置程序的对象函数生成C代码,用于为新的预测器数据预测标签。然后重新训练使用在生成的代码中的整个数据集和更新参数模型,而不重新生成的代码。
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'
)或良好('G'
)。使用前50个观察训练的二元SVM分类模型。
负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
MDL
是ClassificationSVM
宾语。
创建编码器配置者
方法创建一个编码器配置程序ClassificationSVM
模型通过使用learnerCoderConfigurer
。指定预测数据X
。的learnerCoderConfigurer
函数使用输入X
属性配置的编码器属性预测
函数的输入。同样,将输出数量设置为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
是ClassificationSVMCoderConfigurer
对象,它是一个编码器配置器一ClassificationSVM
宾语。
指定参数的编码器属性
指定支持向量机分类模型参数的编码属性,使您可以在对模型进行再培训后更新生成的代码中的参数。此示例指定要传递给生成的代码的预测器数据的编码属性和支持向量机模型的支持向量的编码属性。万博1manbetx
首先,指定的编码器属性X
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定预测器数据的每个维度的大小是可变的还是固定的。
configurer.X.SizeVector = [34 Inf文件]。configurer.X.VariableDimensions = [真假];
第一个维度的大小是观测值的数量。在本例中,代码指定大小的上限为正
大小是可变的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,这个值必须是固定的。X
包含34个预测,所以的值SizeVector
属性必须是34和的值VariableDimensions
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];
为阿尔法SizeVector属性已被修改,以满足配置约束。对于SupportVectorLabels Siz万博1manbetxeVector属性已被修改,以满足配置约束。
configurer.万博1manbetxSupportVectors。VariableDimensions= [true false];
已经修改了Alpha的VariableDimensions属性以满足配置约束。supportvectorlabel的VariableDimens万博1manbetxions属性已被修改以满足配置约束。
如果您修改的编码器属性万博1manbetxSupportVectors
,则软件修改编码器的属性Α
和万博1manbetxSupportVectorLabels
以满足配置约束。如果修改一个参数的coder属性需要对其他依赖参数进行后续更改以满足配置约束,那么软件就会更改依赖参数的coder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MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
使用generateCode
的生成代码预测
和更新
该SVM分类模型的函数(MDL
)使用默认设置。
generateCode(配置者)
generateCode创建输出文件夹在这些文件中: 'initialize.m', 'predict.m', 'update.m', 'ClassificationSVMModel.mat'
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
功能MDL
,分别。然后generateCode
创建一个名为MEX功能ClassificationSVMModel
中的两个入口点函数代码生成\ MEX \ ClassificationSVMModel
将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证是否预测
的函数MDL
和预测
函数中的函数返回相同的标签。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isequal
。
label_mex isequal(标签)
ans =逻辑1
isequal
返回逻辑1 (真正
),如果所有的输入是相等的。比较证实了预测
的函数MDL
和预测
函数中的函数返回相同的标签。
score_mex
可能包括四舍五入的差异分数
。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 =为0x1空双列向量
比较证实分数
和score_mex
在公差范围内相等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);
提取要更新的参数validatedUpdateInputs
。此函数检测修改后的模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
ClassificationSVMModel (“更新”,则params)
验证生成的代码
比较从输出预测
的函数retrainedMdl
和预测
功能更新MEX功能。
(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
找到(abs (score-score_mex) > 1 e-8)
ANS =为0x1空双列向量
比较证实标签
和labels_mex
是相等的,而分数值在公差范围内相等。
使用SVM二进制学习者训练纠错输出编码(ECOC)模型,并创建一个编码器配置器为模型。使用的编码器配置者的属性来指定ECOC模型参数的编码属性。使用编码器配置程序的对象函数生成C代码,用于为新的预测器数据预测标签。然后使用不同的设置,并且在所生成的代码更新参数,而不重新生成的代码重新训练模型。
火车模型
加载Fisher的iris数据集。
负载fisheririsX =量;Y =物种;
创建一个支持向量机二进制学习模板,使用高斯核函数和标准化预测数据。
t = templateSVM ('KernelFunction',“高斯”,“标准化”,真正);
使用模板训练一个多类ECOC模型t
。
MDL = fitcecoc(X,Y,“学习者”t);
MDL
是ClassificationECOC
宾语。
创建编码器配置者
方法创建一个编码器配置程序ClassificationECOC
模型通过使用learnerCoderConfigurer
。指定预测数据X
。的learnerCoderConfigurer
函数使用输入X
属性配置的编码器属性预测
函数的输入。同样,将输出数量设置为2,以便生成的代码返回预测
函数,即为预测的标签和负的平均二进制损耗。
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
是ClassificationECOCCoderConfigurer
对象,它是一个编码器配置器一ClassificationECOC
宾语。显示器显示的所述可调谐输入参数预测
和更新
:X
,BinaryLearners
,先
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”
)和更新
参数(支持向量机的学习万博1manbetx者),使您可以使用这些参数作为输入参数预测
和更新
在生成的代码中。
首先,指定的编码器属性X
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定预测器数据的每个维度的大小是可变的还是固定的。
configurer.X.SizeVector = [Inf文件4];configurer.X.VariableDimensions = [真假];
第一个维度的大小是观测值的数量。在本例中,代码指定大小的上限为正
大小是可变的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,这个值必须是固定的。X
属性的第二个值SizeVector
属性的第二个值必须为4VariableDimensions
属性必须是假
。
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
。
configurer.BinaryLoss
ans = EnumeratedInput with properties: Value: 'hinge' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1 Tunability: 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该值。指定值
属性BinaryLoss
作为“指数”
。
configurer.BinaryLoss.Value =“指数”;configurer.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
如果修改属性值时可调谐性
是假
(逻辑0),软件设置可调谐性
至真正
(逻辑1)。
显示的编码器属性解码
。
configurer.Decoding
ans = EnumeratedInput with properties: Value: ' losswei' SelectedOption: '内置'内置选项:{' losswei' ' 'lossbased'} IsConstant: 1 Tunability: 0
指定IsConstant
属性解码
作为假
这样您就可以使用所有可用的值BuiltInOptions
在生成的代码中。
configurer.Decoding.IsConstant = FALSE;configurer.Decoding
SelectedOption:‘NonConstant’BuiltInOptions:{‘losswei’‘lossbased’}IsConstant: 0 Tunability: 1
该软件改变值
属性解码
到一个LearnerCoderInput
对象,以便您可以同时使用这两个对象“lossweighted”
和“lossbased
'AS的值“解码”
。此外,该软件设置SelectedOption
至“非常数的”
和可调谐性
至真正
。
最后,修改的编码器属性万博1manbetxSupportVectors
在BinaryLearners
。显示的编码器属性万博1manbetxSupportVectors
。
configurer.BinaryLearners.万博1manbetxSupportVectors
属性:SizeVector:[54 4]可变维度:[1 0]数据类型:'double'可调参数:1
的默认值VariableDimensions
是(真假)
因为每个学习者有不同数量的支持向量。万博1manbetx如果使用新的数据或不同的设置对ECOC模型进行再培训,支持向量机学习器中的支持向量的数量可能会有所不同。万博1manbetx因此,增加支持向量个数的上界。万博1manbetx
configurer.BinaryLearners.万博1manbetxSupportVectors.SizeVector = [150 4];
为阿尔法SizeVector属性已被修改,以满足配置约束。对于SupportVectorLabels Siz万博1manbetxeVector属性已被修改,以满足配置约束。
如果您修改的编码器属性万博1manbetxSupportVectors
,则软件修改编码器的属性Α
和万博1manbetxSupportVectorLabels
以满足配置约束。如果修改一个参数的coder属性需要对其他依赖参数进行后续更改以满足配置约束,那么软件就会更改依赖参数的coder属性。
显示编码器配置程序。
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
显示现在包括BinaryLoss
和解码
为好。
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MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
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'
的generateCode
函数完成这些操作:
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
功能MDL
,分别。
创建一个名为的MEX函数ClassificationECOCModel
两个入口点函数。
类中的MEX函数创建代码codegen \墨西哥人\ ClassificationECOCModel
夹。
该MEX功能复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证是否预测
的函数MDL
和预测
函数中的函数返回相同的标签。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”
方法作为可调输入参数IsConstant
在生成代码之前,您还需要在对MEX函数的调用中指定它“lossweighted”
是的默认值“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”,“lossweighted”);
相比标签
至label_mex
通过使用isequal
。
label_mex isequal(标签)
ans =逻辑1
isequal
返回逻辑1 (真正
),如果所有的输入是相等的。比较证实了预测
的函数MDL
和预测
函数中的函数返回相同的标签。
NegLoss_mex
可能包括比四舍五入的差异NegLoss
。在这种情况下,比较NegLoss_mex
至NegLoss
,允许小的公差。
找到(ABS(NegLoss-NegLoss_mex)> 1E-8)
ANS =为0x1空双列向量
比较证实NegLoss
和NegLoss_mex
在公差范围内相等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”,真正,'KernelScale',“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”,t_new);
提取要更新的参数validatedUpdateInputs
。此函数检测修改后的模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
ClassificationECOCModel (“更新”,则params)
验证生成的代码
比较从输出预测
的函数retrainedMdl
的输出预测
功能更新MEX功能。
[标号,NegLoss] =预测(retrainedMdl,X,“BinaryLoss”,“指数”,“解码”,'lossbased');[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测',X,“BinaryLoss”,“指数”,“解码”,'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
比较证实标签
和label_mex
相等,NegLoss
和NegLoss_mex
在公差范围内相等。
使用部分数据集训万博1manbetx练支持向量机(SVM)模型,并创建一个编码器配置器为模型。使用编码器配置器的属性指定支持向量机模型参数的编码器属性。使用编码器配置程序的对象函数生成C代码,用于预测新预测器数据的响应。然后重新训练使用在生成的代码中的整个数据集和更新参数模型,而不重新生成的代码。
火车模型
加载carsmall
数据集和训练一个支持向量机回归模型使用前50个观察。
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
MDL
是RegressionSVM
宾语。
创建编码器配置者
方法创建一个编码器配置程序RegressionSVM
模型通过使用learnerCoderConfigurer
。指定预测数据X
。的learnerCoderConfigurer
函数使用输入X
属性配置的编码器属性预测
函数的输入。
配置器= learnerCoderConfigurer(MDL,X(1:50,:));
配置
是RegressionSVMCoderConfigurer
对象,它是一个编码器配置器一RegressionSVM
宾语。
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,以便您可以在对模型进行再培训后更新生成的代码中的参数。此示例指定要传递给生成的代码的预测器数据的编码属性,以及支持向量机回归模型的支持向量的编码属性。万博1manbetx
首先,指定的编码器属性X
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定预测器数据的每个维度的大小是可变的还是固定的。
configurer.X。SizeVector= [Inf 2]; configurer.X.VariableDimensions = [true false];
第一个维度的大小是观测值的数量。在本例中,代码指定大小的上限为正
大小是可变的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,这个值必须是固定的。X
包含两个谓词,因此SizeVector
属性必须是两个和的值VariableDimensions
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];
为阿尔法SizeVector属性已被修改,以满足配置约束。
configurer.万博1manbetxSupportVectors。VariableDimensions= [true false];
已经修改了Alpha的VariableDimensions属性以满足配置约束。
如果您修改的编码器属性万博1manbetxSupportVectors
,则软件修改编码器的属性Α
以满足配置约束。如果修改一个参数的coder属性需要对其他依赖参数进行后续更改以满足配置约束,那么软件就会更改依赖参数的coder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MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
使用generateCode
的生成代码预测
和更新
支持向量机回归模型的函数(MDL
)使用默认设置。
generateCode(配置者)
generateCode在“初始化”输出文件夹中创建这些文件。米”、“预测。米”、“更新。米”、“RegressionSVMModel.mat”
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
功能MDL
,分别。然后generateCode
创建一个名为MEX功能RegressionSVMModel
中的两个入口点函数codegen \墨西哥人\ RegressionSVMModel
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
可能包括四舍五入的差异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 =为0x1空双列向量
比较证实yfit
和yfit_mex
在公差范围内相等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);
提取要更新的参数validatedUpdateInputs
。此函数检测修改后的模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
RegressionSVMModel (“更新”,则params)
验证生成的代码
比较从输出预测
的函数retrainedMdl
和预测
功能更新MEX功能。
yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel ('预测',X);找到(abs (yfit-yfit_mex) > 1 e-6)
ANS =为0x1空双列向量
比较证实yfit
和yfit_mex
在公差范围内相等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。使用编码器配置程序的属性指定模型参数的编码器属性。使用编码器配置程序的对象函数生成C代码,用于预测新预测器数据的响应。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的代码中的参数。
火车模型
加载carbig
数据集,然后用一半的观察数据训练一个回归树模型。
负载carbigX =[位移马力重量];Y = MPG;rng (“默认”)%的再现性n =长度(Y);idxTrain = randsample (n, n / 2);XTrain = X (idxTrain:);YTrain = Y (idxTrain);Mdl = fitrtree (XTrain YTrain);
MDL
是RegressionTree
宾语。
创建编码器配置者
方法创建一个编码器配置程序RegressionTree
模型通过使用learnerCoderConfigurer
。指定预测数据XTrain
。的learnerCoderConfigurer
函数使用输入XTrain
属性配置的编码器属性预测
函数的输入。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
是RegressionTreeCoderConfigurer
对象,它是一个编码器配置器一RegressionTree
宾语。
指定参数的编码器属性
指定回归树模型参数的coder属性,这样您就可以在重新训练模型之后更新生成的代码中的参数。
指定的编码器属性X
的属性配置
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定预测器数据的每个维度的大小是可变的还是固定的。
configurer.X。SizeVector= [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测值的数量。的设置值SizeVector
属性来正
导致软件改变的价值VariableDimensions
属性来1
。换句话说,大小的上限是正
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。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,这个值必须是固定的。因为预测器数据包含3个预测器SizeVector
属性必须是3.
的值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:孩子们
,割点
,CutPredictorIndex
, 要么NodeMean
。然后软件自动修改其他属性。
例如,设置的第一个值SizeVector
的属性NodeMean
财产正
。软件修改SizeVector
和VariableDimensions
的属性孩子们
,割点
和CutPredictorIndex
匹配树中节点数的新上界。的第一个值VariableDimensions
属性NodeMean
更改1
。
configurer.NodeMean.SizeVector = [Inf文件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MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
为预测
和更新
回归树模型的功能(MDL
)。
generateCode(配置者)
generateCode在“初始化”输出文件夹中创建这些文件。米”、“预测。米”、“更新。米”、“RegressionTreeModel.mat”
的generateCode
函数完成这些操作:
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
功能MDL
,分别。
创建一个名为的MEX函数RegressionTreeModel
两个入口点函数。
类中的MEX函数创建代码codegen \墨西哥人\ RegressionTreeModel
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、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel ('预测',XTrain);
相比Yfit
至Yfit_mex
和节点
至node_mex
。
MAX(ABS(Yfit-Yfit_mex),[]“所有”)
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Yfit
。在这种情况下,比较证实了这一点Yfit
和Yfit_mex
是相等的。
isequal
返回逻辑1 (真正
),如果所有输入参数都相等。比较证实了预测
的函数MDL
和预测
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。
retrainedMdl = fitrtree(X,Y);
提取要更新的参数validatedUpdateInputs
。此函数检测修改后的模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
RegressionTreeModel (“更新”,则params)
验证生成的代码
的输出参数进行比较预测
的函数retrainedMdl
和预测
功能更新MEX功能。
[Yfit,节点] =预测(retrainedMdl,X);[Yfit_mex, node_mex] = RegressionTreeModel ('预测',X);MAX(ABS(Yfit-Yfit_mex),[]“所有”)
ANS = 0
node_mex isequal(节点)
ans =逻辑1
比较证实了预测响应和节点数是相等的。
MDL
- - - - - -机器学习模型机器学习模型,指定为一个模型对象,如下表所示。万博1manbetx
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree |
支持向量机的一类和二分类 | CompactClassificationSVM |
二分类的线性模型 | ClassificationLinear |
多类模型支持向量机和线性模型 | 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 |
有关代码生成使用说明和机器学习模型的限制,请参阅模型对象页面的代码生成部分。
参数个数
- - - - - -参数更新参数在机器学习模型,指定为与每个参数来更新的字段的结构更新。
创建参数个数
通过使用validatedUpdateInputs
函数。该函数在重新训练的模型中检测修改后的参数,验证修改后的参数值是否满足参数的编码器属性,并以结构的形式返回要更新的参数。
可以更新的参数集随机器学习模型的不同而不同,如下表所示。
模型 | 参数更新 |
---|---|
用于多类分类的二叉决策树 | 孩子们 ,ClassProbability ,成本 ,割点 ,CutPredictorIndex ,先 |
支持向量机的一类和二分类 |
|
二分类的线性模型 | Beta版 ,偏压 ,成本 ,先 |
多类模型支持向量机和线性模型 | |
二进制决策树的回归 | 孩子们 ,割点 ,CutPredictorIndex ,NodeMean |
支持向量机回归 |
|
线性回归 | Beta版 ,偏压 |
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 | 不支持更新参数万博1manbetx |
---|---|
用于多类分类的二叉决策树 | 参数的fitctree - - - - - -“类名” ,“ScoreTransform” |
支持向量机的一类和二分类 | 参数的fitcsvm - - - - - -“类名” ,'KernelFunction' ,'PolynomialOrder' ,“ScoreTransform” ,“标准化” |
二分类的线性模型 | 参数的fitclinear - - - - - -“类名” ,“ScoreTransform” |
多类模型支持向量机和线性模型 | 参数的 如果你指定二进制学习者
|
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”,则params)
要了解这个网页上所描述的语法在入口点函数中,显示的内容update.m
和initialize.m
使用类型
函数。
类型update.m类型initialize.m
对于示出的内容的一个例子update.m
和initialize.m
文件,请参阅使用编码器配置程序生成代码。
在编码器配置程序工作流中MDL
的输入参数更新
模型是否由loadLearnerForCoder
。这个模式与updatedMdl
对象是简化的分类或回归模型,主要包含预测所需的属性。
使用注意事项及限制:
使用以下命令创建编码器配置程序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
,请参阅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 |
支持向量机的一类和二分类 | CompactClassificationSVM |
二分类的线性模型 | ClassificationLinear |
多类模型支持向量机和线性模型 | 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,请参见介绍代码生成。
你点击了一个链接,对应于这个MATLAB命令:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。万博1manbetx
您还可以选择从下面的列表中的网站:
选择中国网站(中文或英文)以获得最佳网站表现。其他MathWorks国家站点不适合来自您所在位置的访问。