主要内容

分类VMCoderConfiguration

支持向量机（SVM）的单类和二进制分类编码万博1manbetx器配置器

在第页中展开全部

描述

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。

  • 配置代码生成选项，使用对象属性指定支持向量机模型参数的编码器属性。

  • 为应用程序生成C/C++代码预测和更新利用遗传算法实现支持向量机分类模型的功能生成代码. 生成C/C++代码需要MATLAB®编码员™．

  • 在生成的C/C++代码中更新模型参数，而无需重新生成代码。当您使用新数据或设置重新训练SVM模型时，此功能可减少重新生成、重新部署和重新验证C/C++代码所需的工作量。在更新模型参数之前，请使用验证更新输入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．

创建

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。

属性

全部展开

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。

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．

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．

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．

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．

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．

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：

  • SizeVector-如果你训练Mdl通过指定“标准化”符合事实的，此值必须为[1，p],在那里p是中预测值的数量Mdl。否则，此值必须为[0,0]．

  • 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-如果你训练Mdl通过指定“标准化”符合事实的，默认值为符合事实的。否则，此值必须为错误的．

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．

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．

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：

  • SizeVector-如果你训练Mdl通过指定“标准化”符合事实的，此值必须为[1，p],在那里p是中预测值的数量Mdl。否则，此值必须为[0,0]．

  • 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-如果你训练Mdl通过指定“标准化”符合事实的，默认值为符合事实的。否则，此值必须为错误的．

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．

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．

其他配置选项

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

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

代码生成自定义选项

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。

此属性是只读的。

编码基因（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。使用生成代码如果不需要自定义工作流，则可以使用此函数。

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 {}):
如果自定义代码生成工作流，请修改cgArgs在打电话之前编码基因．

如果修改的其他属性配置器，则软件更新共生成元相应的财产。

数据类型:单间牢房

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

此属性是只读的。

入口点函数的可调输入参数列表更新.m对于代码生成，指定为结构的单元数组，包括编码原语类型（MATLAB编码器）对象。每一个编码原语类型对象包括可调机器学习模型参数的编码器属性。

如果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原语类型相应的对象。如果指定可调谐性机器学习模型参数的属性为错误的，则软件将删除相应的编码原语类型对象的UpdateInputs列表

的结构UpdateInputs相当于configurer.CodeGeneratorGuments{3}用于编码器配置器配置器．

数据类型:单间牢房

目标函数

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

例子

全部崩溃

此示例使用：

打开实时脚本

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

此示例使用：

打开实时脚本

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。

更多关于

全部展开

另请参阅

|||||

话题

介绍了R2018b

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书