创建机器学习模型的编码器配置器
在训练一个机器学习模型之后,使用LearnerCoder配置器
.使用配置器的对象函数和属性来指定代码生成选项,并为预测
和更新
机器学习模型的功能。生成C/ c++代码需要MATLAB®编码器™.
此流程图显示了使用编码器配置器的代码生成工作流。使用LearnerCoder配置器
为突出显示的步骤。
训练一个机器学习模型,然后生成代码预测
和更新
通过使用编码器配置器来实现模型的功能。
加载carsmall
数据集和训练支持向量机(SVM)回归模型。万博1manbetx
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X, Y);
Mdl
是一个RegressionSVM
对象。
控件创建一个编码器配置器RegressionSVM
模型通过使用LearnerCoder配置器
.指定预测器数据X
.的LearnerCoder配置器
函数使用输入X
属性的编码器属性预测
函数的输入。
X配置= learnerCoderConfigurer (Mdl)
配置属性= RegressionSVMCoderConfigurer:更新输入:α:[1 x1 LearnerCoderInput] SupportVectors: [1 x1 LearnerCoderInpu万博1manbetxt]: [1 x1 LearnerCoderInput]偏见:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName:“RegressionSVMModel”属性,方法
配置
是一个RegressionSVMCoderConfigurer
对象的编码配置器RegressionSVM
对象。
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。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(MATLAB)。
为预测
和更新
支持向量机回归模型(Mdl
)的默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel.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update.m
对于预测
和更新
的功能Mdl
,分别。
创建一个名为RegressionSVMModel
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\ RegressionSVMModel
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
function varargout = predict(X,varargin) %#codegen % Autogenerated by MATLAB, 29-Feb-2020 02:23:46 [varargout{1:nargout}] = initialize('predict',X,varargin{:});结束
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 29-Feb-2020 02:23:46 initialize('update',varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 29-Feb-2020 02:23:46 coder.inline('always') persistent model if isempty(model) model = loadLearnerForCoder('RegressionSVMModel.mat');end switch(command) case 'update' % update struct fields: Alpha % 万博1manbetxSupportVectors % Scale % Bias 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
使用部分数据集训练支持向量机模型,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支持向量机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。该数据集有34个预测器和351个雷达返回的二进制响应,或坏(“b”
)或好(‘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ClassificationSVM
对象。
创建编码器配置
控件创建一个编码器配置器ClassificationSVM
模型通过使用LearnerCoder配置器
.指定预测器数据X
.的LearnerCoder配置器
函数使用输入X
属性的编码器属性预测
函数的输入。另外,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 X (1:50,:)“NumOutputs”2);
配置
是一个ClassificationSVMCoderConfigurer
对象的编码配置器ClassificationSVM
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。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机模型的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。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。
configuration . x . sizevector = [Inf 34];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34个预测器,因此SizeVector
属性的值必须为34VariableDimensions
属性必须假
.
如果使用新的数据或不同的设置重新训练SVM模型,支持向量的数量可能会有所不同。万博1manbetx因此,指定的编码器属性万博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];
已修改Alpha的VariableDimensions属性以满足配置约束。修改了SupportVectorLabels的VariableDi万博1manbetxmensions属性以满足配置约束。
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。
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。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(MATLAB)。
使用generateCode
生成的代码预测
和更新
SVM分类模型的函数(Mdl
)的默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel.mat”
generateCode
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
对于预测
和更新
的功能Mdl
,分别。然后generateCode
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
通过一些预测数据来验证是否预测
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。
(标签,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);
比较标签
和label_mex
通过使用isequal
.
label_mex isequal(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。
score_mex
可能包括舍入差异与分数
.在这种情况下,比较score_mex
和分数
,允许有一个小的公差。
找到(abs (score-score_mex) > 1 e-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1 e-8
.
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训练模型。
retrainedMdl = fitcsvm (X, Y);
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);
更新生成代码中的参数。
ClassificationSVMModel (“更新”params)
验证生成的代码
的输出比较预测
的函数retrainedMdl
和预测
函数。
(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);label_mex isequal(标签)
ans =逻辑1
找到(abs (score-score_mex) > 1 e-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。
Mdl
- - - - - -机器学习模型机器学习模型,指定为完整或紧凑模型对象,如支持模型表中所示。万博1manbetx
模型 | 全/紧凑的模型对象 | 培训功能 |
---|---|---|
用于多类分类的二叉决策树 | ClassificationTree ,CompactClassificationTree |
fitctree |
支持向量机用于一类和二值分类 | ClassificationSVM ,CompactClassificationSVM |
fitcsvm |
二元分类的线性模型 | ClassificationLinear |
fitclinear |
支持向量机的多分类模型和线性模型 | ClassificationECOC ,CompactClassificationECOC |
fitcecoc |
二叉决策树的回归 | RegressionTree ,CompactRegressionTree |
fitrtree |
万博1manbetx支持向量机回归 | RegressionSVM ,CompactRegressionSVM |
fitrsvm |
线性回归 | RegressionLinear |
fitrlinear |
有关机器学习模型的代码生成使用说明和限制,请参阅模型对象页面的代码生成部分。
X
- - - - - -预测数据预测数据预测
的函数Mdl
,指定为n——- - - - - -p数字矩阵,n观察的次数是多少p为预测变量的数量。而不是指定X
作为一个p——- - - - - -n矩阵,其中观察值对应于列,则必须设置“ObservationsIn”
的名称-值对参数“列”
.此选项仅适用于线性模型和带有线性二元学习器的ECOC模型。
的预测
机器学习模型的功能是预测分类标签和给定预测数据的回归响应。在创建编码器配置器之后配置
,你可以使用generateCode
函数生成C/ c++代码预测
的函数Mdl
.生成的代码接受具有相同大小和数据类型的预测器数据X
.创建后,可以指定每个维度的大小是可变的还是固定的配置
.
例如,如果您想生成C/ c++代码,使用100个观察值和3个预测变量来预测标签,那么指定X
作为0 (100 3)
.的LearnerCoder配置器
的大小和数据类型X
,而不是它的价值。因此,X
可以是预测数据或表示具有特定数据类型的值集的MATLAB表达式。输出配置
的大小和数据类型X
在X
的属性配置
.的大小和数据类型X
在创建配置
.例如,将观察数更改为200,数据类型更改为单
.
configuration . x . sizevector = [200 3];configurer.X.DataType =“单一”;
要允许生成的C/ c++代码接受多达100个观测值的预测器数据,请指定X
作为0 (100 3)
和改变VariableDimensions
财产。
configurer.X.VariableDimensions = [1 0];
[1 0]
表示的第一个维度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
.[Inf 3];
数据类型:单
|双
指定可选的逗号分隔的对名称,值
参数。的名字
参数名和价值
为对应值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
配置= learnerCoderConfigurer (Mdl X,“NumOutputs”2“OutputFileName”,“myModel”)
设置中输出的数量预测
,并指定文件名“我的模型”
生成的C/ c++代码。
“NumOutputs”
- - - - - -输入输出数预测
的输出参数的数量预测
机器学习模型的功能Mdl
,指定为逗号分隔的对,由“NumOutputs”
一个正整数n
.
的输出预测
不同型号的功能。预测
在生成的C/ c++代码中返回第一个n
输出的预测
函数的输出列中给出的顺序。
模型 | 预测 的函数模型 |
输出 |
---|---|---|
用于多类分类的二叉决策树 | 预测 |
标签 (预测类标签),分数 (后验概率),节点 (预测类的节点数),cnum (预测标签的类别数) |
支持向量机用于一类和二值分类 | 预测 |
标签 (预测类标签),分数 (分数或后验概率) |
二元分类的线性模型 | 预测 |
标签 (预测类标签),分数 (分类评分) |
支持向量机的多分类模型和线性模型 | 预测 |
标签 (预测类标签),NegLoss (减去平均二进制损耗),PBScore (positive-class分数) |
二叉决策树的回归 | 预测 |
Yfit (预测反应),节点 (用于预测的节点号) |
支持向量机回归 | 预测 |
yfit (预测反应) |
线性回归 | 预测 |
YHat (预测反应) |
例如,如果指定“NumOutputs”,1
的SVM分类模型,则预测
在生成的C/ c++代码中返回预测的类标签。
在创建编码器配置器之后配置
,您可以使用点表示法修改输出的数量。
配置。NumOutputs= 2;
的“NumOutputs”
名称-值对参数等效于“-nargout”
编译器选项的codegen
.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generateCode
编码器配置器产生两个入口点函数predict.m
和update.m
对于预测
和更新
的功能Mdl
,并为两个入口点函数生成C/ c++代码。的指定值“NumOutputs”
中输出参数的数量predict.m
.
例子:“NumOutputs”,2
数据类型:单
|双
“OutputFileName”
- - - - - -生成的C/ c++代码的文件名Mdl
对象名称+“模型”
(默认)|特征向量|字符串标量生成的C/ c++代码的文件名,指定为逗号分隔的对,由“OutputFileName”
以及字符向量或字符串标量。
的目标函数generateCode
编码配置器的文件使用此文件名生成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。
默认文件名为对象名Mdl
紧随其后的是“模型”
.例如,如果Mdl
是一个CompactClassificationSVM
或ClassificationSVM
对象,则默认名称为“ClassificationSVMModel”
.
在创建编码器配置器之后配置
,您可以使用点表示法修改文件名。
配置。OutputFileName =“我的模型”;
例子:“OutputFileName”、“myModel”
数据类型:字符
|字符串
“详细”
- - - - - -冗长的水平真正的
(逻辑1)(默认)|假
(逻辑0)详细程度,指定为逗号分隔对,由“详细”
,要么真正的
(逻辑1)或假
(逻辑0)。冗长级别控制在命令行显示编码器配置器的通知消息配置
.
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时,该软件将显示通知消息。 |
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。
在创建编码器配置器之后配置
,您可以使用点表示法修改详细程度。
配置。详细的= false;
例子:“详细”,假的
数据类型:逻辑
“ObservationsIn”
- - - - - -预测数据观测维数“行”
(默认)|“列”
预测器数据观测维数,由指定的逗号分隔对组成“ObservationsIn”
,要么“行”
或“列”
.如果你设置“ObservationsIn”
来“列”
,然后是预测数据X
必须是定向的,以便观察值对应于列。
的“列”
选项仅适用于线性模型和带有线性二元学习者的ECOC模型。
例子:“ObservationsIn”、“列”
配置
——编码器配置机器学习模型的编码器配置器,作为该表中的一个编码器配置器对象返回。
模型 | 编码器配置对象 |
---|---|
用于多类分类的二叉决策树 | ClassificationTreeCoderConfigurer |
支持向量机用于一类和二值分类 | ClassificationSVMCoderConfigurer |
二元分类的线性模型 | ClassificationLinearCoderConfigurer |
支持向量机的多分类模型和线性模型 | ClassificationECOCCoderConfigurer |
二叉决策树的回归 | RegressionTreeCoderConfigurer |
万博1manbetx支持向量机回归 | RegressionSVMCoderConfigurer |
线性回归 | RegressionLinearCoderConfigurer |
使用编码器配置器对象的对象函数和属性来配置代码生成选项,并为预测
和更新
机器学习模型的功能。
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命令。Web浏览器不支持MATLAB命令。万博1manbetx
你也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。