从代码生成保存的模型重建模型对象
为了生成C / C ++的对象函数代码(预测
,随机
,knnsearch
, 要么rangesearch
)的机器学习模型,使用saveLearnerForCoder
,loadLearnerForCoder
和代码生成
。训练机器学习模型后,利用保存模型saveLearnerForCoder
。定义一个入口点函数加载模型使用loadLearnerForCoder
并调用对象的功能。然后用代码生成
或者MATLAB®编码器™应用程序,以产生C / C ++代码。生成C / C ++代码需要MATLAB编码器。
该流程图显示了代码生成的工作流的机器学习模型的对象的功能。用loadLearnerForCoder
突出显示的步骤。
定点C / C ++代码生成要求定义了变量的定点数据类型需要预测的额外步骤。通过使用由所生成的数据类型函数创建一个定点数据类型的结构generateLearnerDataTypeFcn
和使用这种结构作为输入参数loadLearnerForCoder
在入口点函数。产生定点C / C ++代码需要MATLAB编码器和定点设计师™。
该流程图显示了定点代码生成的工作流预测
一个机器学习模型的函数。用loadLearnerForCoder
突出显示的步骤。
重建一个分类模型,回归模型,或者最近的邻居搜索(MDL
= loadLearnerForCoder(文档名称
)MDL
)从存储在MATLAB模型格式的二进制文件(MAT文件)命名文档名称
。您必须创建文档名称
文件通过saveLearnerForCoder
。
返回存储在模型的定点版本MDL
= loadLearnerForCoder(文档名称
,'数据类型',Ť
)文档名称
。结构Ť
包含要使用的,用于指定变量的定点数据类型的字段需要预测
该模型的功能。创造Ť
使用由所生成的功能generateLearnerDataTypeFcn
。
使用此语法的入口点函数,并使用代码生成
以产生用于入口点函数定点代码。生成代码时,您只能使用此语法。
该模型在文档名称
必须是一个SVM分类模型或SVM回归模型。
saveLearnerForCoder
准备一个机器学习模型(MDL
),用于代码生成。该函数将删除不需要用于预测一些属性。
对于具有相应的紧凑模型,该模型saveLearnerForCoder
功能应用合适的紧凑
在保存前运作的模式。
对于一个模型,不具有相应的紧凑型模式,如ClassificationKNN
,ClassificationLinear
,RegressionLinear
,ExhaustiveSearcher
和KDTreeSearcher
中,saveLearnerForCoder
函数删除诸如超参数优化性能,训练求解器信息,以及其他属性。
loadLearnerForCoder
加载模型通过保存saveLearnerForCoder
。
使用编码器配置者通过创建learnerCoderConfigurer
此表中列出的型号。
模型 | 编码器配置者对象 |
---|---|
二进制决策树多类分类 | ClassificationTreeCoderConfigurer |
SVM一类和二元分类 | ClassificationSVMCoderConfigurer |
线性模型的二元分类 | ClassificationLinearCoderConfigurer |
多类模型支持向量机和线性模型 | ClassificationECOCCoderConfigurer |
二进制决策树的回归 | RegressionTreeCoderConfigurer |
万博1manbetx支持向量机(SVM)的回归 | RegressionSVMCoderConfigurer |
线性回归 | RegressionLinearCoderConfigurer |
训练机器学习模型后,创建一个编码器模型的配置者。使用配置器的对象的功能和属性来配置代码生成选项,并为产生码预测
和更新
该模型的功能。如果你使用一个编码器配置器生成的代码,你可以更新生成的代码模型参数,而无需重新生成代码。有关详细信息,请参阅代码生成用于预测和更新使用编码器配置者。