火车模型

加载费舍尔的虹膜数据集。删除所有观测setosa虹膜数据，以便X和ÿ包含只有两班的数据。

加载fisheririsINDS =〜的strcmp（物种，'setosa'）;X = MEAS（INDS，:);Y =物种（INDS）;

使用处理后的数据万博1manbetx集训练支持向量机（SVM）分类模型。

MDL = fitcsvm（X，Y）;

MDL是ClassificationSVM模型。

保存模型

该SVM分类模型保存到文件SVMIris.mat通过使用saveLearnerForCoder。

saveLearnerForCoder（MDL，'SVMIris'）;

定义入口点函数

定义一个名为入口点函数classifyIris该执行以下操作：

类型classifyIris.m％classifyIris.m文件的显示内容

功能标记= classifyIris（X）％＃代码生成％CLASSIFYIRIS分类光圈使用SVM模型％CLASSIFYIRIS分类上述鸢尾花测量在X使用SVM模型％在文件SVMIris.mat物种，然后在标签返回类别标签。MDL = loadLearnerForCoder（ 'SVMIris'）;标记=预测（MDL，X）;结束

添加％＃代码生成编译器指令（或编译）到函数签名后的入口点函数，以表明你打算生成的MATLAB算法代码。添加此指令指示MATLAB代码分析器，以帮助您诊断和解决冲突，将代码生成过程中导致错误。

注意：如果您单击位于这个例子中的右上部分的按钮，打开在MATLAB®这个例子中，然后打开MATLAB®的示例文件夹中。此文件夹包含入口点函数文件。

生成代码

使用生成的入口点函数的代码代码生成。由于C和C ++的静态类型语言，你必须在编译时确定的入口点函数的所有变量的性质。通过X为一体的值-args选项来指定所生成的代码必须接受具有相同的数据类型和阵列尺寸作为训练数据的输入X。如果观察的数量是在编译时未知的，你还可以通过使用指定的输入作为可变大小coder.typeof。有关详细信息，请参阅指定代码生成可变尺寸参数和指定入口点函数输入的属性（编码器MATLAB）。

代码生成classifyIris-args{X}

代码生成生成MEX函数classifyIris_mex与平台相关的扩展。

验证生成的代码

使用比较分类的标签预测，classifyIris和classifyIris_mex。

label1的预测=（MDL，X）;LABEL2 = classifyIris（X）;LABEL3 = classifyIris_mex（X）;verify_label = ISEQUAL（label1的，LABEL2，LABEL3）

verify_label =合乎逻辑1

是平等的返回逻辑1（真），这意味着所有的输入是相等的。分类所有三种方式的标签相同。

火车模型

加载电离层数据集和训练的二元SVM分类模型。

加载电离层MDL = fitcsvm（X，Y，'KernelFunction'，“高斯”）;

MDL是ClassificationSVM模型。

保存模型

该SVM分类模型保存到文件myMdl.mat通过使用saveLearnerForCoder。

saveLearnerForCoder（MDL，'myMdl'）;

定义定点数据类型

用generateLearnerDataTypeFcn来生成用于定义SVM模型的预测所需要的变量的定点数据类型的函数。

generateLearnerDataTypeFcn（'myMdl'，X）

generateLearnerDataTypeFcn生成myMdl_datatype功能。

创建一个结构Ť通过使用定义了定点数据类型myMdl_datatype。

T = myMdl_datatype（'固定'）

T =同场的结构：XDataType：为0x0 embedded.fi] ScoreDataType：为0x0 embedded.fi] InnerProductDataType：为0x0 embedded.fi]

结构Ť包括命名和内部变量领域需要运行预测功能。每个字段都包含一个固定点对象，通过返回科幻。定点对象指定定点数据类型属性，诸如单词长度和分数长度。例如，显示预测数据的定点数据类型属性。

T.XDataType

ANS = [] DataTypeMode：定点：二进制点缩放符号性：签字字长：16 FractionLength：14 RoundingMethod：地板OverflowAction：裹ProductMode：FullPrecision MaxProductWordLength：128 SumMode：FullPrecision MaxSumWordLength：128

定义入口点函数

定义一个名为入口点函数myFixedPointPredict该执行以下操作：

类型myFixedPointPredict.m％myFixedPointPredict.m文件的显示内容

函数[标签，得分= myFixedPointPredict（X，T）％＃代码生成MDL = loadLearnerForCoder（ 'myMdl'， '数据类型'，T）;[标号，得分=预测（MDL，X）;结束

注意：如果您单击位于这个例子中的右上部分的按钮，并在打开的MATLAB®例如，然后打开MATLAB的例子文件夹。此文件夹包含入口点函数文件。

生成代码

该XDataType该结构的场Ť指定所述预测数据的定点数据类型。兑换X的类型指定在T.XDataType通过使用投功能。

X_fx =铸造（X，'喜欢'，T.XDataType）;

使用生成的入口点函数的代码代码生成。指定X_fx和恒定折叠Ť作为入口点函数的输入参数。

代码生成myFixedPointPredict-args{X_fx，coder.Constant（T）}

代码生成生成MEX函数myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

通过预测数据预测和myFixedPointPredict_mex比较输出。

[标签，分数] =预测（MDL，X）;[labels_fx，scores_fx] = myFixedPointPredict_mex（X_fx，T）;

从比较的输出预测和myFixedPointPredict_mex。

verify_labels = ISEQUAL（标签，labels_fx）

verify_labels =合乎逻辑1

是平等的返回逻辑1（真），这意味着标签和labels_fx是相等的。如果标签不相等，就可以计算错误分类标签的百分比如下。

总和（的strcmp（labels_fx，标签）== 0）/ numel（labels_fx）* 100

ANS = 0

寻找最大的得分输出之间的相对差异。

relDiff_scores = MAX（ABS（（scores_fx.double（：，1）-scores（：，1））./得分（：，1）））

relDiff_scores = 0.0055

如果你不与比较结果感到满意，并希望提高所生成代码的精度，可以调定点数据类型，并重新生成代码。有关详细信息，请参阅提示在generateLearnerDataTypeFcn，数据类型功能和定点代码生成SVM预测。