使用二进制学习器的多类模型的编码器配置器
一个ClassificationECOCCoderConfigurer
对象是多类纠错输出码(ECOC)分类模型的编码器配置器(ClassificationECOC
或CompactClassificationECOC
),使用支持向量机(SV万博1manbetxM)或线性二进制学习器。
编码器配置器提供了方便的特性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,并使用对象属性指定模型参数的编码器属性。
更新生成的C/ c++代码中的模型参数,而不需要重新生成代码。当您使用新数据或设置重新训练模型时,该特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前,请使用validatedUpdateInputs
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。
有关多类ECOC分类模型的代码生成使用说明和限制,请参阅CompactClassificationECOC
,预测
,更新
.
使用SVM或线性二进制学习者培训多种多组ECOC分类模型后fitcecoc.
,使用创建模型的编码器配置器learnerCoderConfigurer
.的编码器属性预测
和更新
参数。然后,用生成代码
根据指定的编码器属性生成C/ c++代码。
预测
参数本节中列出的属性指定预测
生成的代码中的函数参数。
X
- - - - - -预测器数据的编码器属性LearnerCoderInput
对象编码器属性的预测器数据传递到生成的C/ c++代码预测
ECOC分类模型的功能,指定为LearnerCoderInput
对象。
使用使用时创建编码器配置程序时learnerCoderConfigurer
函数的输入参数X
属性的默认值LearnerCoderInput
编码器属性:
SizeVector
—默认值为输入的数组大小X
.
如果价值
属性的ObservationsIn
财产ClassificationECOCCoderConfigurer
是“行”
,那么这SizeVector
价值是[n p]
哪里n
对应于观测次数和p
对应于预测器的数量。
如果价值
属性的ObservationsIn
财产ClassificationECOCCoderConfigurer
是“列”
,那么这SizeVector
价值是[p n]
.
切换元素SizeVector
(例如,改变[n p]
来[p n]
),修改价值
属性的ObservationsIn
财产ClassificationECOCCoderConfigurer
相应的行动。您不能修改SizeVector
直接价值。
VariableDimensions
- 默认值是[0 0]
,表示数组大小是固定的,如SizeVector
.
您可以将此值设置为[1 0]
如果是SizeVector
价值是[n p]
或[0 1]
如果它是[p n]
,表示阵列具有可变大小的行和固定大小列。例如,[1 0]
的第一个值SizeVector
(n
)是行数的上限,是的第二个值SizeVector
(p
)为列数。
数据类型
- 这个值是单
或双重的
.默认数据类型取决于输入的数据类型X
.
可调谐性
—必须为真正的
,这意味着预测
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(列)的100个观测值(行)的预测数据的C/C++代码,请指定X
用于编码器配置器配置器
:
configurer.X.SizeVector=[100 3];configurer.X.DataType=“双”;configurer.x.variaBolidimensions = [0 0];
[0 0]
表示的第一个和第二个维度X
(观测数和预测变量数分别)有固定的大小。
要允许生成的C / C ++代码接受最多100个观察的预测器数据,请指定这些编码器属性X
:
configurer.X.SizeVector=[100 3];configurer.X.DataType=“双”;configur.x.variabledimensions = [1 0];
[1 0]
表示第一维度X
(观察的数量)有一个可变的大小和第二个维度X
(预测变量的数量)有一个固定的大小。在本例中,指定的观察数(100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察,请指定范围为正
.
BinaryLoss
- - - - - -二进制学习损耗函数的编码器属性枚举输入
对象二进制学习损耗函数的编码器属性(“BinaryLoss”
的名称-值对参数预测
),指定为枚举输入
对象。
属性的默认属性值枚举输入
对象的默认值预测
功能:
价值
-二进制学习器损失函数,指定为中的字符向量之一BuiltInOptions
或指定自定义函数名的字符向量。如果二进制学习器为支持向量机或支持向量机学习器的线性分类模型,则默认值为“枢纽”
.如果二元学习者是logistic回归学习者的线性分类模型,则默认值为“二次”
.
要使用自定义选项,请在Matlab搜索路径上定义自定义函数,并指定价值
作为自定义函数的名称。
SelectedOption
- 这个值是“内置”
(默认)或'风俗'
.软件集SelectedOption
根据价值
。此属性是只读的。
BuiltInOptions
-单元格数组“汉明”
,“线性”
,“二次”
,'指数'
,“binodeviance”
,“枢纽”
,分对数的
。此属性是只读的。
iSononstant.
—必须为真正的
.
可调谐性
- 默认值是假
.如果指定其他属性值可调谐性
是假
,软件集可调谐性
来真正的
.
解码
- - - - - -译码方案的编码器属性枚举输入
对象解码方案的编码器属性(“解码”
的名称-值对参数预测
),指定为枚举输入
对象。
属性的默认属性值枚举输入
对象的默认值预测
功能:
价值
—解码方案值,指定为“lossweighted”
(默认),“lossbased”
,或者一个LearnerCoderInput
对象。
如果你设置了iSononstant.
来假
,然后软件就会改变价值
到一个LearnerCoderInput
具有这些只读编码器属性值的对象:
SizeVector
- - - - - -12 [1]
VariableDimensions
- - - - - -[0 1]
数据类型
- - - - - -“字符”
可调谐性
- 1
生成的代码中的输入是一个大小可变、可调的字符向量“lossweighted”
或“lossbased”
.
SelectedOption
- 这个值是“内置”
(默认)或“非常数的”
.软件集SelectedOption
根据价值
。此属性是只读的。
BuiltInOptions
-单元格数组“lossweighted”
和“lossbased”
。此属性是只读的。
iSononstant.
- 默认值是真正的
。如果将此值设置为假
,软件改变价值
到一个LearnerCoderInput
对象。
可调谐性
- 默认值是假
.如果指定其他属性值可调谐性
是假
,软件集可调谐性
来真正的
.
ObservationsIn
- - - - - -预测器数据观察维度的编码器属性枚举输入
对象预测数据观测维数的编码器属性(“ObservationsIn”
的名称-值对参数预测
),指定为枚举输入
对象。
使用使用时创建编码器配置程序时learnerCoderConfigurer
函数,“ObservationsIn”
参数的名称-值对参数确定枚举输入
编码器属性:
价值
—默认值是您在创建编码器配置器时使用的预测器数据观察维度,指定为“行”
或“列”
.如果没有指定“ObservationsIn”
创建编码器配置程序时,默认值是“行”
.
此值必须为“行”
用于支持向量机二进制学习器的模型。
SelectedOption
- 这个值始终是“内置”
。此属性是只读的。
BuiltInOptions
-单元格数组“行”
和“列”
。此属性是只读的。
iSononstant.
—必须为真正的
.
可调谐性
- - - - - -默认值为假
如果您指定“ObservationsIn”、“行”
当创建编码器配置器时,和真正的
如果您指定'观察','列'
.如果你设置了可调谐性
来假
,软件集价值
来“行”
.如果指定其他属性值可调谐性
是假
,软件集可调谐性
来真正的
.
NumOutputs
- - - - - -输入输出数预测
的生成的C/ c++代码中返回的输出参数的数量预测
ECOC分类模型的功能,指定为1、2或3。
输出论据预测
在顺序:标签
(预测类标签),NegLoss
(减去平均二进制损失),和PBScore
(positive-class分数)。预测
在生成的C / C ++代码中返回第一个代码n
输出的预测
功能,在哪里n
是NumOutputs
价值。
创建编码器配置程序后配置器
,您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
的NumOutputs
属性等价于“-nargout”
编译器选项codegen
(MATLAB编码器).此选项指定代码生成的入口函数中的输出参数的数量。对象功能生成代码
生成两个入口点函数predict.m
和update.m
为预测
和更新
并为这两个入口点函数生成C/ c++代码。的指定值NumOutputs
属性对应于入口点函数中的输出参数数predict.m
.
数据类型:双重的
更新
参数本节中列出的属性指定更新
生成的代码中的函数参数。的更新
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LearnerCoderInput
对象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
的learnerCoderConfigurer
.
BinaryLearners
- - - - - -经过训练的二进制学习者的编码属性ClassificationSVMCoderConfigurer
对象|分类线性代码配置器
对象经过训练的二进制学习者的编码属性(BinaryLearners
ECOC分类模型),指定为aClassificationSVMCoderConfigurer
对象(用于支持向量机二进制学习器)或分类线性代码配置器
对象(用于线性二进制学习者)。
使用更新
支持向量机或线性编码器配置器对象的参数,以指定所有二进制学习器的编码器属性。
的配置BinaryLearners
,该软件仅使用更新
参数属性并忽略对象的其他属性。
当你用支持向量机二进制学习器训练ECOC模型时,每个学习器可以有不同数量的支持向量。万博1manbetx因此,软件配置的属性值为默认值LearnerCoderInput
对象阿尔法
,万博1manbetxSupportVectorLabels
,万博1manbetxSupportVectors
根据输入参数,适应所有二进制学习者Mdl
的learnerCoderConfigurer
.
SizeVector
此值为[S 1]
为阿尔法
和万博1manbetxSupportVectorLabels
哪里年代
是二进制学习器中支持向量的最大数目。万博1manbetx
此值为[s p]
为万博1manbetxSupportVectors
哪里p
是预测器的数量。
VariableDimensions
- 这个值是[0 0]
或[1 0]
.如果每个学习者拥有相同数量的支持向量,则默认值为万博1manbetx[0 0]
。否则,此值必须为[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,第一个值SizeVector
是行数的上限,是的第二个值SizeVector
为列数。
数据类型
- 这个值是“单身”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
-如果你用线性核函数训练一个模型,并且模型存储线性预测系数(bet
)没有支持向量和相关值,则该万博1manbetx值必须为假
。否则,此值必须为真正的
.
有关另一个的详细信息更新
参数,看更新
参数的ClassificationSVMCoderConfigurer
和更新
参数的分类线性代码配置器
.
成本
- - - - - -误分类代价的编码器属性LearnerCoderInput
对象错误分类成本的编码者属性(成本
ECOC分类模型),指定为aLearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—必须为(c c)
哪里c
为类数。
VariableDimensions
—必须为[0 0]
,表示数组大小如规定固定SizeVector
.
数据类型
- 这个值是“单身”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
- 默认值是真正的
.
之前
- - - - - -先验概率的编码器属性LearnerCoderInput
对象先验概率的编码属性(之前
ECOC分类模型),指定为aLearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—必须为(1 c)
哪里c
为类数。
VariableDimensions
—必须为[0 0]
,表示数组大小如规定固定SizeVector
.
数据类型
- 这个值是“单身”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
- 默认值是真正的
.
OutputFileName
- - - - - -生成的C / C ++代码的文件名“ClassificationECOCModel”
(默认)|特征向量生成的C/ c++代码的文件名,指定为字符向量。
对象功能生成代码
的ClassificationECOCCoderConfigurer
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。
创建编码器配置程序后配置器
,您可以使用点表示法指定文件名。
configurer.outputfilename =.“myModel”;
数据类型:烧焦
详细的
- - - - - -冗长水平真正的
(逻辑1)(默认)|假
(逻辑0)详细级别,指定为真正的
(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 |
---|---|
真正的 (逻辑1) |
当您对参数的编码器属性的更改导致其他相关参数的更改发生更改时,软件显示通知消息。 |
假 (逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中启用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。参数的编码属性彼此依赖,因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改参数的编码器属性,并且该修改需要随后更改其他相关参数以满足配置约束,则软件将更改相关参数的编码器属性。详细级别决定软件是否为这些后续更改显示通知消息。
创建编码器配置程序后配置器
,您可以使用点表示法修改详细程度。
configur.verbose = false;
数据类型:逻辑
要自定义代码生成工作流,请使用generateFiles
函数和下面三个属性codegen
(MATLAB编码器),而不是使用生成代码
函数。
生成两个入口点函数文件后(predict.m
和update.m
)通过使用generateFiles
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
文件以包含数据预处理,或者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,您可以通过使用codegen
(MATLAB编码器)功能和codegen
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codegen
参数。
CodeGenerationArguments
- - - - - -codegen
参数此属性是只读的。
codegen
(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。使用生成代码
函数,如果您不需要自定义您的工作流。
而不是使用生成代码
使用编码器配置器配置器
,你可以生成C/ c++代码如下:
generateFiles(配置器)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
CGARGS.
因此之前调用codegen
.
修改的其他属性配置器
,软件更新CodeGenerationArguments
相应的属性。
数据类型:细胞
PredictInputs
- - - - - -的可调参数列表预测
此属性是只读的。
入口点函数的可调输入参数列表predict.m
对于代码生成,指定为单元格数组。单元格数组包含另一个单元格数组,其中包括编码器。PrimitiveType
(MATLAB编码器)对象和编码器。常数
(MATLAB编码器)对象。
的编码器属性预测
参数,则软件相应更新相应对象。如果指定可调谐性
属性是假
,则软件将从中删除相应的对象PredictInputs
列表。
单元格数组PredictInputs
相当于configurer.codegenerationArguments {6}
用于编码器配置器配置器
.
数据类型:细胞
UpdateInputs
- - - - - -的可调参数列表更新
此属性是只读的。
入口点函数的可调输入参数列表update.m
对于代码生成,指定为结构的单元格数组。该结构包括编码器。CellType
(MATLAB编码器)反对BinaryLearners
和编码器。PrimitiveType
(MATLAB编码器)对象成本
和之前
.
的编码器属性更新
参数,则软件相应更新相应对象。如果指定可调谐性
属性是假
,则软件会从中删除相应的对象UpdateInputs
列表。
的结构UpdateInputs
相当于配置。CodeGenerationArguments {3}
用于编码器配置器配置器
.
数据类型:细胞
生成代码 |
使用编码器配置器生成C/ c++代码 |
generateFiles |
生成MATLAB使用编码器配置器生成代码的文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
训练机器学习模型,然后为预测
和更新
使用编码器配置器实现模型的功能。
负载Fisher的Iris数据集并使用SVM二进制学习者培训多种多组ECOC模型。
负载fisheririsX =量;Y =物种;Mdl = fitcecoc (X, Y);
Mdl
是一个ClassificationECOC
对象。
控件创建一个编码器配置器ClassificationECOC
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
属性的编码器属性预测
函数的输入。
CONFIGURER = LERERNERCODERCONFIGURER(MDL,X)
configurer=ClassificationeCoderConfiger with properties:更新输入:BinaryLearners:[1x1 ClassificationVMCoderConfiger]Previor:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X:[1x1 LearnerCoderInput]代码生成参数:Numoutput:1输出文件名:“ClassificationeCodel”属性、方法
配置器
是一个ClassificationECOCCoderConfigurer
对象是一个编码器配置程序ClassificationECOC
对象。
要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。万博1manbetx您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为预测
和更新
ECOC分类模型的功能(Mdl
)的默认设置。
Generatecode(Configurer)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。
的生成代码
函数完成以下操作:
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
的功能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\mex\ClassificationeCOModel
文件夹中。
将MEX函数复制到当前文件夹。
显示的内容predict.m
,update.m
,initialize.m
文件,使用类型
函数。
类型predict.m
函数varargout=predict(X,varargin)%#codegen%由MATLAB自动生成,2021年2月23日19:17:56[varargout{1:nargout}]=initialize('predict',X,varargin{:});结束
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:17:56 initialize('update',varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:17:56 code .inline('always') persistent model if isempty(model) model = loadLearnerForCoder('ClassificationECOCModel.mat');end switch(command) case 'update' % update struct fields: BinaryLearners % Prior % Cost 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
使用支持向量机二进制学习器训练纠错输出码(ECOC)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
载入费雪的虹膜数据集。
负载fisheririsX =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=模板SVM('骨箱',“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
是一个ClassificationECOC
对象。
创建编码器配置
控件创建一个编码器配置器ClassificationECOC
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
属性的编码器属性预测
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)
configurer=ClassificationeCoderConfigurer with properties:更新输入:BinaryLearners:[1x1 ClassificationVMCoderConfigurer]Previor:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X:[1x1 LearnerCoderInput]代码生成参数:numoutput:2输出文件名:“ClassificationeCodel”属性、方法
配置器
是一个ClassificationECOCCoderConfigurer
对象是一个编码器配置程序ClassificationECOC
对象。的可调参数预测
和更新
:X
,BinaryLearners
,之前
,成本
.
指定参数的编码器属性
的编码器属性预测
参数(预测器数据和名称-值对参数“解码”
和“BinaryLoss”
)及更新
参数(支持向量机学习器万博1manbetx的支持向量),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。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 = [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结果。如果您在生成代码时不知道观察的数量,那么这个规范很方便。
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4个预测器,因此SizeVector
属性必须为4,并且是VariableDimensions
属性必须是假
.
接下来,修改编码器属性BinaryLoss
和解码
使用“BinaryLoss”
和“解码”
生成的代码中的名称-值对参数。的编码属性BinaryLoss
.
配置。BinaryLoss
ans=EnumeratedInput,属性为:值:“铰链”SelectedOption:“内置”内置选项:{1x7单元}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
的属性BinaryLoss
作为'指数'
.
configurer.BinaryLoss.Value ='指数';配置。BinaryLoss
ans=EnumeratedInput,属性为:Value:'exponential'SelectedOption:'Buildin'内置选项:{1x7 cell}IsConstant:1可调性:1
当修改属性值时可调谐性
是假
(逻辑0),软件设置可调谐性
来真正的
(逻辑1)。
的编码属性解码
.
configurer.decoding.
ans=EnumeratedInput,属性为:Value:'LossWighted'SelectedOption:'Buildin'内置选项:{'LossWighted''lossbased'}IsConstant:1可调性:0
指定iSononstant.
的属性解码
作为假
以便使用。中的所有可用值BuiltInOptions
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
的属性解码
到一个LearnerCoderInput
对象,以便两者都可以使用“lossweighted”
和“lossbased
'作为价值“解码”
.此外,软件设置SelectedOption
来“非常数的”
和可调谐性
来真正的
.
最后,修改编码器属性万博1manbetxSupportVectors
在BinaryLearners
.的编码属性万博1manbetxSupportVectors
.
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。万博1manbetx如果您使用新的数据或不同的设置重新训练ECOC模型,SVM学习器中的支持向量的数量可能会有所不同。万博1manbetx因此,增大支持向量数目的上界。万博1manbetx
configurer.BinaryLearners.万博1manbetxSupportVectors.SizeVector = [150 4];
Alpha的SizeVector属性已修改为满足配置约束。SupportVectorLabels的SizeVector属性已修改为满足配置约束。万博1manbetx
的编码器属性万博1manbetxSupportVectors
,然后软件修改的编码器属性阿尔法
和万博1manbetxSupportVectorLabels
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
生成代码
要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。万博1manbetx您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为预测
和更新
ECOC分类模型的功能(Mdl
).
Generatecode(Configurer)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。
的生成代码
函数完成以下操作:
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
的功能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\mex\ClassificationeCOModel
文件夹中。
将MEX函数复制到当前文件夹。
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标签。若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。因为您指定了“解码”
作为可调参数,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“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”);
比较标签
来label_mex.
通过使用isequal
.
isequal(标签,标签)
ans =逻辑1
isequal
返回逻辑1 (真正的
),如果所有输入相等。比较证实了预测
的函数Mdl
和预测
函数中返回相同的标签。
NegLoss_mex
可能包括舍入差异与NegLoss
.在这种情况下,比较NegLoss_mex
来NegLoss
,允许小容差。
查找(abs(NegLoss-NegLoss_mex)>1e-8)
ans = 0x1空双列向量
对比证实了NegLoss
和NegLoss_mex
在公差内是相等的吗1e–8
.
重新训练模型并更新生成代码中的参数
使用不同的设置重新训练模型。指定“内核尺度”
作为“汽车”
这样,软件使用启发式程序选择适当的比例因子。
t_new = templatesvm('骨箱',“高斯”,“标准化”,真的,“内核尺度”,“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);
更新生成的代码中的参数。
classificeecocmodel(“更新”params)
验证生成的代码
的输出比较预测
的函数retrainedMdl
从预测
函数。
[label,NegLoss]=预测(重新训练的DMDL,X,“BinaryLoss”,'指数',“解码”,“lossbased”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,'指数',“解码”,“lossbased”); isequal(标签,标签)
ans =逻辑1
查找(abs(NegLoss-NegLoss_mex)>1e-8)
ans = 0x1空双列向量
对比证实了标签
和label_mex.
是相等的,NegLoss
和NegLoss_mex
在公差范围内是相等的。
LearnerCoderInput
对象编码器配置器使用LearnerCoderInput
对象指定的编码器属性预测
和更新
输入参数。
一个LearnerCoderInput
对象具有以下属性以指定生成的代码中的输入参数数组的属性。
属性名称 | 描述 |
---|---|
SizeVector |
对应的数组大小 数组大小的上界,如果对应 |
VariableDimensions |
指定数组的每个维度是可变大小还是固定大小的指示符,指定为
|
数据类型 |
数组的数据类型 |
可调谐性 |
指示是否的指示符 如果指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定系数的编码器属性阿尔法
在BinaryLearners
编码器配置程序配置器
:
configuration . binarylearners . alpha . sizevector = [100 1];configurer.BinaryLearners.Alpha.VariableDimensions = [1 0];configurer.BinaryLearners.Alpha.DataType =“双”;
详细的
),真正的
(默认值),当您修改机器学习模型参数的编码器属性时,软件会显示通知消息,而修改会改变其他相关参数的编码器属性。
枚举输入
对象编码器配置器使用枚举输入
对象指定的编码器属性预测
具有有限组可用值的输入参数。
一个枚举输入
对象具有以下属性以指定生成的代码中的输入参数数组的属性。
属性名称 | 描述 |
---|---|
价值 |
的价值
的默认值 |
SelectedOption |
所选选项的状态,指定为
此属性是只读的。 |
BuiltInOptions |
相应的可用字符向量列表 此属性是只读的。 |
iSononstant. |
指示符,指定数组值是否为编译时常量( 如果将此值设置为 |
可调谐性 |
指示是否的指示符 如果指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定的编码器属性BinaryLoss
编码器配置程序配置器
:
configurer.BinaryLoss.Value =“线性”;
ClassificationECOC
|分类线性代码配置器
|ClassificationSVMCoderConfigurer
|CompactClassificationECOC
|learnerCoderConfigurer
|预测
|更新
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
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。