预处理数据，训练SVM分类器

加载病人数据集。方法创建一个表舒张压而且收缩压数值变量。表格的每一行都对应一个不同的病人。

负载病人tbl = table(舒张，收缩压);头(台)

ans =8×2表舒张收缩压_________ ________ 93 124 77 109 83 125 75 117 80 122 70 121 88 130 82 115

转换性别变量到a分类变量。类别的顺序categoricalGender重要，因为它决定了预测器数据中列的顺序。使用dummyvar将分类变量转换为由0和1组成的矩阵，其中a1的价值(i, j)第Th项表示我这个病人属于j类别。

categoricalGender = categorical(性别);orderGender =类别(categoricalGender)

orderGender =2 x1细胞{'女'}{'男'}

dummyGender = dummyvar(categoricalGender);

注意:由此产生的dummyGender矩阵是秩亏的。根据您训练的模型类型，这种等级缺陷可能是有问题的。例如，在训练线性模型时，去掉虚拟变量的第一列。

创建一个包含虚拟变量的表dummyGender使用相应的变量标题。将这个新表与资源描述．

tblGender = array2table“VariableNames”, orderGender);tbl = [tbl tblGender];头(台)

ans =8×4表舒张收缩期女男_________ ________ ______ ____ 93 124 0 1 77 109 0 1 83 125 10 75 117 10 80 122 10 70 121 10 88 130 10 82 115 0 1

转换SelfAssessedHealthStatus变量到a分类变量。中类别的顺序categoricalHealth，并将变量转换为数值矩阵dummyvar．

categoricalHealth = categorical(SelfAssessedHealthStatus);orderHealth =类别(categoricalHealth)

orderHealth =4 x1细胞{“优秀”}{“一般”}{“良好”}{“差”}

dummyHealth = dummyvar(categoricalHealth);

创建一个包含dummyHealth使用相应的变量标题。将这个新表与资源描述．

tblHealth = array2table“VariableNames”, orderHealth);tbl = [tbl tblHealth];头(台)

ans =8×8表舒张收缩期女男性优秀公平好差_________ ________ ______ ____ _________ ________ ____ 93 124 0 11 0 0 0 77 109 0 10 10 0 83 125 10 0 0 0 10 75 117 10 0 10 0 0 80 122 10 0 0 0 0 0 10 70 121 10 0 0 10 88 130 10 0 0 0 10 82 115 0 10 0 0 10 0 10 0 10 0 10 0 10

第三行资源描述例如，对应于具有以下特征的患者:舒张压83，收缩压125，女性，自我评估健康状况良好。

因为所有的值资源描述都是数字，你可以把表格转换成矩阵吗X．

X = table2array(tbl);

训练支持向量机分类器X．指定吸烟者变量作为响应。

Y =吸烟者;Mdl = fitcsvm(X,Y);

生成C/ c++代码

生成加载SVM分类器的代码，将新的预测器数据作为输入参数，然后对新数据进行分类。

将SVM分类器保存到使用的文件saveLearnerForCoder．

saveLearnerForCoder (Mdl“SVMClassifier”）

saveLearnerForCoder将分类器保存到MATLAB®二进制文件SVMClassifier.mat作为当前文件夹中的结构数组。

定义入口点函数mySVMPredict，它将新的预测器数据作为输入参数。在函数中，通过使用加载SVM分类器loadLearnerForCoder，然后将加载的分类器传递给预测．

函数mySVMPredict(X)% # codegenMdl = loadLearnerForCoder(“SVMClassifier”）;label = predict(Mdl,X);结束

为mySVMPredict通过使用codegen．使用指定新预测器数据的数据类型和维度coder.typeof以便生成的代码接受可变大小的数组。

codegenmySVMPredictarg游戏{编码器。typeof(X，[Inf 8]，[1 0])}

代码生成成功。

验证mySVMPredict和MEX文件返回训练数据的相同结果。

label = predict(Mdl,X);mylabel = mySVMPredict(X);mylabel_mex = mySVMPredict_mex(X);verifyMEX = isequal(label,mylabel,mylabel_mex)

verifyMEX =逻辑1

预测新数据的标签

要预测新数据的标签，必须首先对新数据进行预处理。如果您在MATLAB环境中运行生成的代码，您可以遵循本节中描述的预处理步骤。如果在MATLAB环境之外部署生成的代码，预处理步骤可能会有所不同。无论哪种情况，都必须确保新数据与训练数据具有相同的列X．

在这个例子中，以第三、第四和第五个病人为例病人数据集。对这些患者的数据进行预处理，使得到的数字矩阵与训练数据的形式相匹配。

将分类变量转换为虚拟变量。因为新的观察值可能不包括所有类别的值，所以您需要指定与训练期间使用的类别相同的类别，并保持相同的类别顺序。在MATLAB中，传递与相应训练数据变量相关的分类名称的有序单元格数组(在本例中，orderGender性别价值观和orderHealth用于自我评估的健康状态值)。

newcategoricalGender = categorical(性别(3:5)，orderGender);newdummyGender = dummyvar(newcategoricalGender);newcategoricalHealth = categorical(SelfAssessedHealthStatus(3:5)，orderHealth);newdummyHealth = dummyvar(newcategoricalHealth);

将所有新数据合并成一个数值矩阵。

newX =[舒张期(3:5)收缩期(3:5)]

newX =3×883 125 1 0 0 0 1 0 75 117 1 0 0 1 0 0 80 122 1 0 0 0 0 1 0

请注意,newX正好对应于矩阵的第三，第四和第五行X．

验证mySVMPredict和MEX文件对新数据返回相同的结果。

newlabel = predict(Mdl,newX);newmylabel = mySVMPredict(newX);newmylabel_mex = mySVMPredict_mex(newX);newverifyMEX = isequal(newlabel,newmylabel,newmylabel_mex)

newverifyMEX =逻辑1