列车A纠错输出代码（ECOC）使用SVM二进制学习器建模，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ECOC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数据标签的C代码。然后使用不同设置重新训练模型，并更新在不重新生成代码的情况下删除生成代码中的参数。
列车模型
载入费雪的虹膜数据集。
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。
使用模板训练一个多类ECOC模型t．
Mdl是一个分类对象
创建编码器配置
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。
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
配置是一个分类代码配置器对象，它是分类对象显示屏显示了的可调输入参数预测和使现代化：X，二元收入者，先前的和成本．
指定参数的编码器属性
指定的编码器属性预测参数(预测器数据和名称-值对参数)“解码”和“BinaryLoss”),使现代化参数（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使现代化在生成的代码中。
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。
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可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量，则可以使用此规范。
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．
接下来，修改的编码器属性BinaryLoss和解码使用“BinaryLoss”和“解码”生成的代码中的名称-值对参数。显示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“指数型”．
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)，软件设置可调谐性到符合事实的(逻辑1)。
的编码属性解码．
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定司仪属性解码作为假以便使用。中的所有可用值建筑物在生成的代码中。
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LearnerCoderInput对象，以便两者都可以使用“迷失方向”和“以损失为基础"作为“解码”。此外，软件设置SelectedOption到“非恒定”和可调谐性到符合事实的．
最后，修改的编码器属性万博1manbetx支持向量在里面二元收入者.显示的编码器属性万博1manbetx支持向量．
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。
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支持向量，然后软件修改的编码器属性阿尔法和万博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= 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，您必须能够访问正确配置的C/C++编译器。MATLAB Coder查找并使用受支持的已安装编译器。您可以使用万博1manbetx墨西哥-设置查看和更改默认编译器。有关详细信息，请参阅更改默认编译器．
为预测和使现代化ECOC分类模型的功能(Mdl).
generateCode在输出文件夹中创建这些文件：“initialize.m”、“predict.m”、“update.m”、“ClassificationeComModel.mat”
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和更新.m为预测和使现代化的功能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 \墨西哥人\ ClassificationECOCModel文件夹
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的函数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”通过更改司仪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”默认值是“解码”．
比较标签到标签利用isequal．
isequal返回逻辑1 (符合事实的)，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可能包括与内格罗斯．在这种情况下，比较NegLoss_mex到内格罗斯，允许较小的公差。
对比证实了内格罗斯和NegLoss_mex在公差范围内是相等的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”因此，软件使用启发式程序选择适当的比例因子。
使用提取要更新的参数验证更新输入．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。
更新生成代码中的参数。
验证生成的代码
比较来自预测的函数再培训DMDL的输出预测更新的MEX函数中的函数。
对比证实了标签和标签平等,平等,内格罗斯和NegLoss_mex在公差范围内是相等的。
