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。
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。
使用模板训练一个多类ECOC模型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= 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。
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。
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”。
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。
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。
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。
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
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= 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”。
相比标签至label_mex通过使用isequal。
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。
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。
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。
更新参数在生成的代码。
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。
比较证实标签和label_mex相等，NegLoss和NegLoss_mex在公差范围内相等。
