编码器配置器用于高维数据的线性二进制分类
一种ClassificationLinearCoderConfigurer
对象是线性分类模型的编码器配置器(分类线性
)用于高维数据的二值分类。
编码器配置器提供方便的功能来配置代码生成选项,在生成的代码中生成C / C ++代码和更新模型参数。
配置代码生成选项并使用对象属性指定线性模型参数的编码器属性。
生成C/ c++代码预测
和更新
使用线性分类模型的功能generateCode
.生成C/ c++代码需要MATLAB®编码器™.
更新生成的C / C ++代码中的模型参数,而无需重新生成代码。此功能可减少重新生成,重新部署和求解C / C ++代码所需的努力,当您使用新数据或设置重新启动线性模型时。在更新模型参数之前,使用验证updateInpuls.
验证和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。
通过使用培训线性分类模型FitClinear.
,使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer
.使用编码器配置器的属性指定编码器属性预测
和更新
论点。然后,使用generateCode
基于指定的编码器属性生成C / C ++代码。
预测
参数属性的编码器属性预测
生成的代码中的函数参数。
X
-预测器数据的编码器属性LearnercoderInpul.
目的预测器数据的编码器属性将传递给生成的C / C ++代码预测
线性分类模型的功能,指定为aLearnercoderInpul.
目的。
使用使用时创建编码器配置程序时learnerCoderConfigurer
函数,输入参数X
确定默认值LearnercoderInpul.
编码器属性:
秘诀
- 默认值是输入的数组大小X
.
如果是价值
属性的观察结果
本物业ClassificationLinearCoderConfigurer
是'行'
那么这一点秘诀
价值是[n p]
,在那里N
对应观察数和P.
对应于预测器的数量。
如果是价值
属性的观察结果
本物业ClassificationLinearCoderConfigurer
是'列'
那么这一点秘诀
价值是[p n]
.
切换元素秘诀
(例如,改变[n p]
到[p n]
),修改价值
属性的观察结果
本物业ClassificationLinearCoderConfigurer
因此。你无法修改秘诀
直接价值。
杂色金属依赖项
- 默认值是[0 0]
,这表明数组大小如规定固定秘诀
.
您可以将此值设置为[1 0]
如果是秘诀
价值是[n p]
或[0 1]
如果是[p n]
,表示阵列具有可变大小的行和固定大小列。例如,[1 0]
指定第一个值秘诀
(N
)是行数的上限,第二个值是秘诀
(P.
)是列的数量。
数据类型
- 这个值是单身的
要么双
.默认数据类型取决于输入的数据类型X
.
可调性
- 这个值必须是真的
, 意思是预测
在所生成的C / C ++代码中,始终包括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,要生成接受带有三个预测变量(列)的100个观察值的预测数据的C/ c++代码,指定这些编码器属性X
对于编码器配置程序配置
:
configurer.x.sizevector = [100 3];configur.x.datatype =.'双倍的';configurer.x.variaBolidimensions = [0 0];
[0 0]
表示第一和第二维度X
(分别观察次数和预测变量的数量)具有固定尺寸。
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];configur.x.datatype =.'双倍的';configur.x.variabledimensions = [1 0];
[1 0]
表示第一维度X
(观察次数)具有可变尺寸和第二维度X
(预测器变量的数量)具有固定大小。在该示例中指定的观测数量,100成为生成的C / C ++代码中允许的最大观察数。要允许任何数量的观察,请指定绑定为正
.
观察结果
-预测器数据观察维度的编码器属性EnumeratedInput
目的预测器数据观察维度的编码器属性(“ObservationsIn”
名称 - 值对参数预测
),指定为一个EnumeratedInput
目的。
使用使用时创建编码器配置程序时learnerCoderConfigurer
功能,函数“ObservationsIn”
名称 - 值对参数确定默认值EnumeratedInput
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'
要么'列'
.如果没有指定“ObservationsIn”
创建编码器配置程序时,默认值是'行'
.
SelectedOption
- 这个值始终是'内置'
.此属性是只读的。
内置选项
- 细胞阵列'行'
和'列'
.此属性是只读的。
iSononstant.
- 这个值必须是真的
.
可调性
-默认值为错误的
如果您指定“ObservationsIn”、“行”
当创建编码器配置器时,和真的
如果您指定'观察','列'
.如果你设置可调性
到错误的
,软件集价值
到'行'
.如果指定其他属性值可调性
是错误的
,软件集可调性
到真的
.
numoutput.
-输出数量预测
从生成的C / C ++代码返回的输出参数的数量预测
线性分类模型的功能,指定为1或2。
输出论据预测
是标签
(预测类标签)和分数
(分类分数),按顺序排列。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
是个numoutput.
价值。
创建编码器配置程序后配置
,您可以使用点表示法指定输出的数量。
configurer.numOutputs = 2;
这numoutput.
财产相当于'-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generateCode
生成两个入口点函数 -predict.m
和更新..
为预测
和更新
线性分类模型的功能分别 - 为两个入口点函数生成C / C ++代码。指定的价值numoutput.
属性对应于入口点函数中的输出参数数量predict.m
.
数据类型:双
更新
参数属性的编码器属性更新
生成的代码中的函数参数。这更新
函数将培训的模型和新型号参数作为输入参数,并返回包含新参数的模型的更新版本。要启用更新生成的代码中的参数,则需要在生成代码之前指定参数的编码器属性。用一个LearnercoderInpul.
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
.
bet
-线性预测系数的编码器属性LearnercoderInpul.
目的线性预测器系数的编码器属性(bet
线性分类模型),指定为aLearnercoderInpul.
目的。
默认属性值LearnercoderInpul.
对象基于输入参数MDL.
的learnerCoderConfigurer
:
秘诀
- 这个值必须是(1页)
,在那里P.
是预测因子的数量MDL.
.
杂色金属依赖项
- 这个值必须是[0 0]
,表示数组大小如规定固定秘诀
.
数据类型
- 这个值是'单身的'
要么'双倍的'
.默认数据类型与您用于训练的培训数据的数据类型一致MDL.
.
可调性
- 这个值必须是真的
.
偏见
-偏置术语的编码器属性LearnercoderInpul.
目的偏差项的编码器属性(偏见
线性分类模型),指定为aLearnercoderInpul.
目的。
默认属性值LearnercoderInpul.
对象基于输入参数MDL.
的learnerCoderConfigurer
:
秘诀
- 这个值必须是[1 1]
.
杂色金属依赖项
- 这个值必须是[0 0]
,表示数组大小如规定固定秘诀
.
数据类型
- 这个值是'单身的'
要么'双倍的'
.默认数据类型与您用于训练的培训数据的数据类型一致MDL.
.
可调性
- 这个值必须是真的
.
成本
-编码器属性的误分类代价LearnercoderInpul.
目的分类成本的编码器属性(成本
线性分类模型),指定为aLearnercoderInpul.
目的。
默认属性值LearnercoderInpul.
对象基于输入参数MDL.
的learnerCoderConfigurer
:
秘诀
- 这个值必须是[2]
.
杂色金属依赖项
- 这个值必须是[0 0]
,表示数组大小如规定固定秘诀
.
数据类型
- 这个值是'单身的'
要么'双倍的'
.默认数据类型与您用于训练的培训数据的数据类型一致MDL.
.
可调性
- 默认值是真的
.
事先的
-概率的编码器属性LearnercoderInpul.
目的先验概率的编码属性(事先的
线性分类模型),指定为aLearnercoderInpul.
目的。
默认属性值LearnercoderInpul.
对象基于输入参数MDL.
的learnerCoderConfigurer
:
秘诀
- 这个值必须是[1 2]
.
杂色金属依赖项
- 这个值必须是[0 0]
,表示数组大小如规定固定秘诀
.
数据类型
- 这个值是'单身的'
要么'双倍的'
.默认数据类型与您用于训练的培训数据的数据类型一致MDL.
.
可调性
- 默认值是真的
.
outputfilename.
-生成的C / C ++代码的文件名“ClassificationLinearModel”
(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generateCode
的ClassificationLinearCoderConfigurer
使用此文件名生成C / C ++代码。
文件名不得包含空格,因为它们可以在某些操作系统配置中导致代码生成失败。此外,名称必须是有效的MATLAB函数名称。
创建编码器配置程序后配置
,您可以使用点表示法指定文件名。
configurer.outputfilename =.“myModel”;
数据类型:字符
verb
-冗长水平真的
(逻辑1)(默认)|错误的
(逻辑0)详细级别,指定为真的
(逻辑1)或错误的
(逻辑0)。详细级别控制命令行处的通知消息的显示。
价值 | 描述 |
---|---|
真的 (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。 |
错误的 (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计算机学习模型参数,您需要在生成代码之前配置参数的编码器属性。参数的编码器属性彼此依赖,因此软件将依赖项存储为配置约束。如果通过使用编码器配置器修改参数的编码器属性,并且修改需要随后改变其他从属参数来满足配置约束,则软件改变了从属参数的编码器属性。冗长级别确定软件是否显示出用于这些后续更改的通知消息。
创建编码器配置程序后配置
,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程,请使用生成菲尔斯
功能和以下三个属性Codegen.
(MATLAB编码器),而不是使用generateCode
功能。
在生成两个入口点函数文件(predict.m
和更新..
)通过使用生成菲尔斯
功能,您可以根据代码生成工作流修改这些文件。例如,您可以修改predict.m
文件要包含数据预处理,或者您可以将这些入口函数添加到另一个代码生成项目。然后,您可以通过使用C / C ++代码来生成C / C ++代码Codegen.
(MATLAB编码器)功能和Codegen.
适用于修改的入境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设置的起点Codegen.
论点。
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。
此属性使您可以自定义代码生成工作流程。使用generateCode
功能如果您不需要自定义工作流程。
而不是使用generateCode
使用编码器配置程序配置
,您可以生成C / C ++代码,如下所示:
generatefiles(configurer)cgargs = configurer.codegeNerationArguments;Codegen(CGARGS {:})
CGARGS.
因此在呼叫之前Codegen.
.
修改的其他属性配置
,软件更新CodeGenerationArguments.
相应的属性。
数据类型:细胞
预测inppuls.
-可调输入参数列表预测
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.Constant.
(MATLAB编码器)对象。
的编码器属性预测
参数然后,软件相应地更新相应的对象。如果您指定了可调性
属性是错误的
,则该软件从预测inppuls.
列表。
单元格阵列预测inppuls.
相当于configurer.codegenerationArguments {6}
对于编码器配置程序配置
.
数据类型:细胞
updateInputs.
-可调输入参数列表更新
编码器。PrimitiveType
对象此属性是只读的。
入口点函数的可调输入参数列表更新..
对于代码生成,指定为结构的单元格数组,包括编码器。PrimitiveType
(MATLAB编码器)对象。每个编码器。PrimitiveType
对象包含可调机器学习模型参数的编码器属性。
如果您使用编码器配置器属性修改模型参数的编码器属性(更新
参数属性),然后软件更新相应的编码器。PrimitiveType
相应的对象。如果您指定了可调性
机器学习模型参数的属性错误的
,然后软件删除相应的编码器。PrimitiveType
对象来自updateInputs.
列表。
结构在updateInputs.
相当于configurer.codegenerationArguments {3}
对于编码器配置程序配置
.
数据类型:细胞
generateCode |
使用编码器配置程序生成C / C ++代码 |
生成菲尔斯 |
产生MATLAB使用编码器配置程序的代码生成文件 |
验证updateInpuls. |
验证和提取机器学习模型参数更新 |
训练一个机器学习模型,然后生成代码预测
和更新
使用编码器配置器来函数模型。
加载电离层
数据集,并训练一个二元线性分类模型。传递转置的预测矩阵Xnew.
到FitClinear.
,并使用“ObservationsIn”
名称值对参数指定列的列Xnew.
对应观察。
加载电离层xnew = x';mdl = fitClinear(Xnew,Y,“ObservationsIn”那'列');
MDL.
是A.分类线性
目的。
控件创建一个编码器配置器分类线性
模型通过使用learnerCoderConfigurer
.指定预测器数据Xnew.
,并使用“ObservationsIn”
名称 - 值对参数指定观察维度Xnew.
.这learnerCoderConfigurer
函数使用这些输入参数来配置相应输入参数的编码器属性预测
.
configurer = LearnerCoderConfigurer(MDL,Xnew,“ObservationsIn”那'列')
CONFIGURER = COLSICERICERCODERCONFIGURER具有属性:更新输入:BETA:[1x1学习者CODERINPUT]偏置:[1x1学习者核序列]成本:[1x1 LearnercoderInput]预测输入:X:[1x1 inmercoderInput]观察结果:[1x1 enumerateInput]代码生成参数:NUMOUTPUTS:1 OUTPUTFILENAME:'ClassificationLearModel'属性,方法
配置
是A.ClassificationLinearCoderConfigurer
对象是一个编码器配置程序分类线性
目的。
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您可以使用梅克斯
-设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
为此生成代码预测
和更新
线性分类模型的功能(MDL.
)。
Generatecode(Configurer)
generatecode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m','classificationlamearmodel.mat'代码生成成功。
这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
和更新..
为预测
和更新
的功能MDL.
, 分别。
创建一个名为分类learmodel.
对于两个入口点函数。
创建MEX函数的代码codegen \墨西哥人\ ClassificationLinearModel
文件夹。
将MEX函数复制到当前文件夹。
显示该内容predict.m
那更新..
, 和初始化..
文件通过使用类型
功能。
类型predict.m
函数varargout = predict(x,varargin)%#codegen%by matlab,23-feb-2021 19:17:19 [varargout {1:nargout}] =初始化('predict',x,varargin {:});结尾
类型更新..
功能更新(varargin)%#codegen%by matlab,23-feb-2021 19:17:19初始化('更新',varargin {:});结尾
类型初始化..
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:17:19 code .inline('always') persistent model if isempty(model) model = loadLearnerForCoder('ClassificationLinearModel.mat');end switch(command) case 'update' % update struct fields: Beta % Bias % Prior % Cost model = update(model,varargin{:});case 'predict' %预测输入:X, ObservationsIn 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
使用部分数据集训练线性分类模型,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线性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
加载电离层
数据集。此数据集具有34个预测器和351个雷达返回的二进制响应,无论是坏的吗('B'
)或好(‘g’
)。使用一半的观察来培训二进制线性分类模型。转换预测器数据,并使用“ObservationsIn”
名称值对参数指定列的列XTrain.
对应观察。
加载电离层rng (“默认”)%的再现性n =长度(y);c = cvpartition(y,'坚持',0.5);Idxtrain =培训(C,1);xtrain = x(idxtrain,:)';YTrain = Y(IDxtrain);mdl = fitClinear(Xtrain,Ytrain,“ObservationsIn”那'列');
MDL.
是A.分类线性
目的。
创建编码器配置
控件创建一个编码器配置器分类线性
模型通过使用learnerCoderConfigurer
.指定预测器数据XTrain.
,并使用“ObservationsIn”
名称 - 值对参数指定观察维度XTrain.
.这learnerCoderConfigurer
函数使用这些输入参数来配置相应输入参数的编码器属性预测
.此外,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。
配置= learnerCoderConfigurer (Mdl XTrain,“ObservationsIn”那'列'那'numoutputs',2);
配置
是A.ClassificationLinearCoderConfigurer
对象是一个编码器配置程序分类线性
目的。
指定参数的编码器属性
指定线性分类模型参数的编码器属性,以便在再培训模型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器属性。
指定编码器属性X
财产配置
因此,生成的代码接受任何数量的观察。修改秘诀
和杂色金属依赖项
属性。这秘诀
属性指定预测器数据大小的上限,以及杂色金属依赖项
属性指定预测器数据的每个维度是否具有可变大小或固定大小。
configurer.x.sizevector = [34 INF];configur.x.variabledimensions.
ans =.1x2逻辑阵列0 1
第一维度的大小是预测变量的数量。必须为机器学习模型固定此值。因为预测器数据包含34个预测因子,所以秘诀
属性必须是34和值的值杂色金属依赖项
属性必须是0.
.
第二维度的大小是观察的数量。设置值秘诀
归因于正
导致软件更改值杂色金属依赖项
归因于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。如果您不知道生成代码时的观察次数,则此规范很方便。
尺寸的顺序秘诀
和杂色金属依赖项
取决于编码器属性观察结果
.
configur.observationsin.
ans = EnumeratedInput带有属性:Value: 'columns' SelectedOption: ' built ' BuiltInOptions: {'rows' 'columns'} IsConstant: 1可调性:1
当。。。的时候价值
属性的观察结果
属性是'列'
的第一个维度秘诀
和杂色金属依赖项
属性的X
对应于预测器的数量,第二维度对应于观察的数量。当。。。的时候价值
属性观察结果
是'行'
,维度的顺序被交换了。
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您可以使用梅克斯
-设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
为此生成代码预测
和更新
线性分类模型的功能(MDL.
)。
Generatecode(Configurer)
generatecode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m','classificationlamearmodel.mat'代码生成成功。
这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
和更新..
为预测
和更新
的功能MDL.
, 分别。
创建一个名为分类learmodel.
对于两个入口点函数。
创建MEX函数的代码codegen \墨西哥人\ ClassificationLinearModel
文件夹。
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是预测
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,分数] =预测(MDL,XTrain,“ObservationsIn”那'列');[label_mex,score_mex] = classificedlinearmodel('预测',XTrain,“ObservationsIn”那'列');
比较标签
和label_mex.
通过使用是平等的
.
label_mex isequal(标签)
ans =.逻辑1
是平等的
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。
比较分数
和得分_mex.
.
max(abs(score-score_mex),[],'全部')
ans = 0.
一般来说,得分_mex.
可能包括与之相比的圆截止差异分数
.在这种情况下,比较证实了分数
和得分_mex.
是相等的。
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培训模型。
RetrainingMDL = FITCLINEAR(X',Y,“ObservationsIn”那'列');
通过使用提取要更新的参数验证updateInpuls.
.此功能检测到修改的模型参数returatedmdl.
并验证修改的参数值是否满足参数的编码器属性。
params = validatedupdateInputs(Configurer,HetrowingMDL);
更新生成的代码中的参数。
分类learmodel(“更新”,params)
验证生成的代码
比较来自的输出预测
功能returatedmdl.
和预测
在更新的MEX函数中的功能。
(标签,分数)=预测(retrainedMdl X ',“ObservationsIn”那'列');[label_mex,score_mex] = classificedlinearmodel('预测'X ',“ObservationsIn”那'列');label_mex isequal(标签)
ans =.逻辑1
max(abs(score-score_mex),[],'全部')
ans = 0.
比较证实了标签
和label_mex.
等于,得分值相等。
LearnercoderInpul.
对象编码器配置器使用LearnercoderInpul.
对象的编码器属性预测
和更新
输入参数。
一种LearnercoderInpul.
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 |
---|---|
秘诀 |
数组大小如果相应的话 如果相应的阵列大小的上限 |
杂色金属依赖项 |
指示阵列的每个维度是否具有可变大小或固定大小的指示器,指定为
|
数据类型 |
数组的数据类型 |
可调性 |
指示指示是否或不是 如果指定其他属性值 |
创建编码器配置程序后,您可以使用点表示法修改编码器属性。例如,指定偏置项的数据类型偏见
编码器配置程序配置
:
configurer.Bias.DataType ='单身的';
verb
),真的
(默认),然后软件在修改机器学习模型参数的编码器属性时显示通知消息,并且修改改变了其他相关参数的编码器属性。
EnumeratedInput
对象编码器配置器使用EnumeratedInput
对象的编码器属性预测
输入参数,具有有限的可用值集。
一个EnumeratedInput
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 |
价值
的默认值 |
SelectedOption |
所选选项的状态,指定为
此属性是只读的。 |
内置选项 |
相应的可用字符向量列表 此属性是只读的。 |
iSononstant. |
指示数组值是否是编译时间常数的指示器( 如果将此值设置为 |
可调性 |
指示指示是否或不是 如果指定其他属性值 |
创建编码器配置程序后,您可以使用点表示法修改编码器属性。例如,指定编码器属性观察结果
编码器配置程序配置
:
configurer.ObservationsIn.Value ='列';
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。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(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。