支持向量机(SVM)的单类和二进制分类编码万博1manbetx器配置器
一个分类VMCoderConfiguration
对象是SVM分类模型的编码器配置器(分类VM
或CompactClassificationSVM
).
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。
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SVM分类模型的代码生成用法说明和限制,请参阅的代码生成部分CompactClassificationSVM
,预测
和更新
.
通过使用,训练出支持向量机分类模型fitcsvm
,使用创建模型的编码器配置器LearnerCoder配置器
. 使用编码器配置器的属性指定的编码器属性预测
和更新
参数。然后,使用生成代码
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学习者输入
对象预测器数据的编码器属性,以传递给为预测
SVM分类模型的功能,指定为学习者输入
对象。
使用创建编码器配置器时LearnerCoder配置器
函数,输入参数X
确定的默认值学习者输入
编码器属性:
SizeVector
-默认值是输入的数组大小X
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
指示数组大小按照中的指定固定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
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为仅有一个的
或双
。默认数据类型取决于输入的数据类型X
.
可调谐性
—必须为符合事实的
,意思是预测
在生成的C/C++代码中,始终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,要生成接受带有三个预测变量的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
用于编码器配置器配置器
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双人”;configurer.X.VariableDimensions=[0];
[0 0]
指示的第一个和第二个维度X
(观察数和预测变量数分别)具有固定大小。
要允许生成的C/C++代码接受最多100个观测值的预测器数据,请指定X
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双人”;configurer.X.VariableDimensions=[1 0];
[1 0]
表示的第一个维度X
(观察次数)具有可变大小和X
(预测变量的数量)具有固定的大小。指定的观察数量(本例中为100)将成为生成的C/C++代码中允许的最大观察数量。若要允许任意数量的观察,请将边界指定为Inf
.
NumOutputs
- - - - - -输入输出数预测
要从生成的C/C++代码返回的输出参数数预测
SVM分类模型的函数,指定为1或2。
的输出参数预测
是标签
(预测类标签)和分数
(分数或后验概率)按列出的顺序。预测
在生成的C/C++代码中,返回第一个n
输出的预测
功能,在哪里n
是NumOutputs
价值
在创建编码器配置器之后配置器
,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“-纳古特”
编译器选项编码基因
(MATLAB编码器).此选项指定代码生成的入口点函数中的输出参数数量。的目标函数生成代码
生成两个入口点函数-预测
和更新.m
对于预测
和更新
函数,分别生成两个入口点函数的C/C++代码。指定的值NumOutputs
属性对应于入口点函数中的输出参数数量预测
.
数据类型:双
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更新
函数将经过训练的模型和新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。若要启用在生成的代码中更新参数,您需要在生成代码之前指定参数的编码器属性。使用学习者输入
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
属于LearnerCoder配置器
.
α
- - - - - -训练的分类器系数的编码器属性学习者输入
对象训练的分类器系数的编码器属性(α
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
—默认值为(年代,1)
,在那里年代
支持向量的个数是多少万博1manbetxMdl
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
指示数组大小按照中的指定固定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
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
-如果您使用线性核函数训练模型,并且该模型存储线性预测系数(贝塔
)没有支持向量和相关值,则该万博1manbetx值必须为错误的
。否则,此值必须为符合事实的
.
贝塔
- - - - - -线性预测系数的编码器属性学习者输入
对象线性预测系数的编码器属性(贝塔
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
—必须为[p 1]
,在那里p
是中预测值的数量Mdl
.
VariableDimensions
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
-如果您使用线性核函数训练模型,并且该模型存储线性预测系数(贝塔
)没有支持向量和相关值,则该万博1manbetx值必须为符合事实的
。否则,此值必须为错误的
.
偏见
- - - - - -编码器属性的偏差项学习者输入
对象偏差项的编码属性(偏见
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
—必须为[1 1]
.
VariableDimensions
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
—必须为符合事实的
.
费用
- - - - - -误分类代价的编码器属性学习者输入
对象错误分类成本的编码者属性(费用
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
-对于二进制分类,此值必须为(2 - 2)
.对于一个类别分类,此值必须为[1 1]
.
VariableDimensions
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
-对于二进制分类,默认值为符合事实的
.对于一个类别分类,此值必须为错误的
.
亩
- - - - - -编码器属性的预测手段学习者输入
对象预测器平均值的编码器属性(亩
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
先前的
- - - - - -先验概率的编码器属性学习者输入
对象先验概率的编码属性(先前的
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
-对于二进制分类,此值必须为(1 2)
.对于一个类别分类,此值必须为[1 1]
.
VariableDimensions
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
-对于二进制分类,默认值为符合事实的
.对于一个类别分类,此值必须为错误的
.
规模
- - - - - -内核尺度参数的编码器属性学习者输入
对象内核比例参数的编码器属性(KernelParameters
.Scale
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
—必须为[1 1]
.
VariableDimensions
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
—默认值为符合事实的
.
σ
- - - - - -编码器属性预测器标准偏差学习者输入
对象预测标准偏差的编码属性(σ
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
万博1manbetx支持向量标签
- - - - - -支持向量类标签的编码属性万博1manbetx学习者输入
对象支持向量类标签的编码器属性(万博1manbetx万博1manbetx支持向量标签
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
—默认值为(年代,1)
,在那里年代
支持向量的个数是多少万博1manbetxMdl
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
指示数组大小按照中的指定固定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
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
-如果您使用线性核函数训练模型,并且该模型存储线性预测系数(贝塔
)没有支持向量和相关值,则该万博1manbetx值必须为错误的
。否则,此值必须为符合事实的
.
万博1manbetxSupportVectors
- - - - - -支持向量的编码属性万博1manbetx学习者输入
对象支持向量的编码属性(万博1manbetx万博1manbetxSupportVectors
的SVM分类模型),指定为学习者输入
对象。
属性的默认属性值学习者输入
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
SizeVector
—默认值为[标准普尔]
,在那里年代
是支持向量的个数,和万博1manbetxp
是中预测值的数量Mdl
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
指示数组大小按照中的指定固定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
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为“单一”
或“双人”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调谐性
-如果您使用线性核函数训练模型,并且该模型存储线性预测系数(贝塔
)没有支持向量和相关值,则该万博1manbetx值必须为错误的
。否则,此值必须为符合事实的
.
OutputFileName
- - - - - -生成的C/ c++代码的文件名“分类VMModel”
(默认)|特征向量生成的C/ c++代码的文件名,指定为字符向量。
的目标函数生成代码
属于分类VMCoderConfiguration
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,文件名必须是有效的MATLAB函数名。
在创建编码器配置器之后配置器
,可以使用点表示法指定文件名。
configurer.OutputFileName=“我的模型”;
数据类型:烧焦
冗长的
- - - - - -详细程度符合事实的
(逻辑1)(默认)|错误的
(逻辑0)详细级别,指定为符合事实的
(逻辑1)或错误的
(逻辑0)。详细级别控制命令行中通知消息的显示。
价值 | 描述 |
---|---|
符合事实的 (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时,该软件将显示通知消息。 |
错误的 (逻辑0) |
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。
在创建编码器配置器之后配置器
,可以使用点表示法修改详细程度。
配置。冗长的= 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编码基因
(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(预测
和更新.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,您可以修改预测
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,您可以通过使用编码基因
(MATLAB编码器)功能与功能编码基因
适用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设置编码基因
论据。
共生成元
- - - - - -编码基因
论据PredictInputs
- - - - - -的输入参数预测
编码原语类型
对象此属性是只读的。
入口点函数的输入参数预测
对于代码生成,指定为单元格数组编码原语类型
(MATLAB编码器)对象。的编码原语类型
对象中存储的预测器数据的编码器属性X
财产。
如果修改预测器数据的编码器属性,则软件将更新编码原语类型
相应的对象。
的编码原语类型
对象PredictInputs
相当于configurer.CodeGeneratorGuments{6}
用于编码器配置器配置器
.
数据类型:单间牢房
UpdateInputs
- - - - - -的可调输入参数列表更新
编码原语类型
对象生成代码 |
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 |
验证更新输入 |
验证并提取机器学习模型参数以进行更新 |
训练机器学习模型,然后为预测
和更新
通过使用编码器配置器来实现模型的功能。
加载电离层
数据集,训练二值支持向量机分类模型。
负载电离层Mdl=fitcsvm(X,Y);
Mdl
是一个分类VM
对象。
为应用程序创建编码器配置器分类VM
利用LearnerCoder配置器
.指定预测器数据X
这个LearnerCoder配置器
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。
X配置= learnerCoderConfigurer (Mdl)
configurer=ClassificationsVMCoderConfiguration with properties:更新输入:Alpha:[1x1 LearnerCoderInput]支持向量:[1x1 Le万博1manbetxarnerCoderInput]支持向量标签:[1x1 LearnerCoderInput]比例:[1x1 LearnerCoderInput]偏差:[1x1 LearnerCoderInput]优先:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X:[1x1 LearnerCoderInput]代码生成参数:NumOutputs:1 OutputFileName:“ClassificationSVMModel”属性、方法
配置器
是一个分类VMCoderConfiguration
对象的编码配置器分类VM
对象。
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
和更新
支持向量机分类模型的功能(Mdl
)使用默认设置。
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel。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预测
和更新.m
对于预测
和更新
的功能Mdl
,分别。
创建一个名为分类模型
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\ ClassificationSVMModel
文件夹中。
将MEX函数复制到当前文件夹。
显示的内容预测
,更新.m
和初始化.m
通过使用类型
函数。
类型预测
function varargout = predict(X,varargin) %#codegen % Autogenerated by MATLAB, 23-Feb-2021 19:14:48 [varargout{1:nargout}] = initialize('predict',X,varargin{:});结束
类型更新.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 23-Feb-2021 19:14:48 initialize('update',varargin{:});结束
类型初始化.m
函数[varargout]=initialize(command,varargin)%#codegen%由MATLAB自动生成,2021年2月23日19:14:48编码器。如果isempty(model)model=loadLearnerForCoder('ClassificationSVMModel.mat'),则内联('always')持久化模型;结束开关(command)案例'更新'%update struct fields:Alpha%SupportVectors%SupportVectorLabels%Scale%Bias%Previor%Cost model=upda万博1manbetxte(model,varargin{:});案例'预测'%predict Inputs:X X=varargin{1};如果nargin==2[varargout{1:nargout}]=predict(model,X);否则PVPairs=cell(1,nargin-2);对于i=1:nargin-2 PVPairs{1,i}=varargin{1};结束[varargout{1:nargout}]=predict(model,X,PVPairs{:});end
使用部分数据集训练SVM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指定SVM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。然后使用整个数据集a重新训练模型nd在不重新生成代码的情况下更新生成代码中的参数。
列车模型
加载电离层
数据集。这个数据集有34个预测器和351个雷达回波的二进制响应,或者是坏的(“b”
)还是好(‘g’
).使用前50个观测值训练二值支持向量机分类模型。
负载电离层Mdl=fitcsvm(X(1:50,:),Y(1:50));
Mdl
是一个分类VM
对象。
创建编码器配置
为应用程序创建编码器配置器分类VM
利用LearnerCoder配置器
.指定预测器数据X
这个LearnerCoder配置器
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
函数输入。另外,将输出数设置为2,以便生成的代码返回预测的标签和分数。
configurer=learnercoderconfiguer(Mdl,X(1:50,:),“NumOutputs”,2);
配置器
是一个分类VMCoderConfiguration
对象的编码配置器分类VM
对象。
指定参数的编码器属性
指定SVM分类模型参数的编码器属性,以便在重新训练模型后更新生成代码中的参数。此示例指定要传递到生成代码的预测器数据的编码器属性以及SVM模型支持向量的编码器属性。万博1manbetx
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,而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 34];configurer.X.VariableDimensions=[true-false];
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Inf
而且大小是可变的,这意味着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34个预测器,因此SizeVector
属性的值必须为34VariableDimensions
属性必须是错误的
.
如果使用新数据或不同设置重新训练SVM模型,则支持向量的数量可能会有所不同。因此,请指定的编码器属性万博1manbetx万博1manbetxSupportVectors
这样您就可以更新生成代码中的支持向量。万博1manbetx
configurati万博1manbetxon . supportvectors . sizevector = [250 34];
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。
configurer.万博1manbetxSupportVectors.VariableDimensions = [true false];
Alpha的VariableDimensions属性已修改以满足配置约束。SupportVectorLabels的VariableDimensions属性已修改以满足配置约束。万博1manbetx
如果修改的编码器属性万博1manbetxSupportVectors
,然后软件修改的编码器属性α
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。
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.
使用生成代码
生成的代码预测
和更新
支持向量机分类模型的功能(Mdl
)使用默认设置。
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel。代码生成成功。
生成代码
生成生成代码所需的MATLAB文件,包括两个入口点函数预测
和更新.m
对于预测
和更新
的功能Mdl
,分别。然后生成代码
创建一个名为分类模型
的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel
文件夹并将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
功能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。
[标签,得分]=预测(Mdl,X);[标签、分数]=分类VMModel(“预测”,X);
比较标签
和标签
利用isequal
.
isequal(标签,标签)
ans=逻辑1
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
功能Mdl
和预测
函数中返回相同的标签。
score_mex
可能包括与之相比的四舍五入差异分数
.在这种情况下,比较score_mex
和分数
,允许较小的公差。
查找(abs(分数-分数-平均值)>1e-8)
Ans = 0x1空双列向量
对比证实了分数
和score_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
使用整个数据集重新训练模型。
再培训DMDL=fitcsvm(X,Y);
使用提取要更新的参数验证更新输入
. 此功能用于检测中修改的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
分类模型(“更新”params)
验证生成的代码
比较来自预测
功能再培训DMDL
和预测
更新的MEX函数中的函数。
[label,score]=predict(retainedmdl,X);[label_-mex,score_-mex]=ClassificationSVMModel(“预测”,X);isequal(标签,标签)
ans=逻辑1
查找(abs(分数-分数-平均值)>1e-8)
Ans = 0x1空双列向量
对比证实了标签
和labels_mex
是相等的,并且在容忍范围内得分值是相等的。
学习者输入
对象编码器配置器使用学习者输入
对象的编码器属性预测
和更新
输入参数。
一个学习者输入
对象具有以下属性,以在生成的代码中指定输入参数数组的属性。
属性名 | 描述 |
---|---|
SizeVector |
如果对应的 数组大小的上界,如果对应 |
VariableDimensions |
指示符,指定数组的每个维度是具有可变大小还是固定大小,指定为
|
数据类型 |
数组的数据类型 |
可调谐性 |
指定是否 如果指定其他属性值 |
创建编码器配置器后,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α
编码器和配置器的配置配置器
详情如下:
configurer.Alpha.SizeVector=[100 1];configurer.Alpha.VariableDimensions=[1 0];configurer.Alpha.DataType=“双人”;
冗长的
)作为符合事实的
(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。
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行命令。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。