モデルの学習

电离层デ，タセットを読み込みます。このデタセットには，レダ反射にいての34個の予測子と，不良(“b”)または良好(‘g’)という351個の二項反応が含まれています。最初の50個の観測値を使用して，バesc escナリSVM分類モデルに学習をさせます。

负载电离层Mdl = fitcsvm(X(1:50，:)，Y(1:50));

Mdlは,ClassificationSVMオブジェクトです。

コ，ダ，コンフィギュアラ，の作成

learnerCoderConfigurerを使用して，ClassificationSVMモデルに。予測子デ，タXを指定します。関数learnerCoderConfigurerは，入力Xを使用して，関数预测の入力のコ，ダ，属性を設定します。また,生成されるコードが予測ラベルおよびスコアを返すようにするため,出力の個数を2に設定します。

配置器= learnerCoderConfigurer(Mdl,X(1:50，:))，“NumOutputs”2);

配置は,ClassificationSVMオブジェクトのコ，ダ，コンフィギュアラ，であるClassificationSVMCoderConfigurerオブジェクトです。

パラメ，タ，のコ，ダ，属性の指定

生成されたコードのパラメーターをモデルの再学習後に更新できるようにするため,支持向量机分類モデルのパラメーターのコーダー属性を指定します。この例では,生成されたコードに渡す予測子データのコーダー属性と,SVMモデルのサポートベクターのコーダー属性を指定します。

はじめに，生成されたコ，ドが任意の個数の観測値を受け入れるように，Xのコ，ダ，属性を指定します。属性SizeVectorおよびVariableDimensionsを変更します。属性SizeVectorは、予測子デ、タのサ、ズの上限を指定し、属性VariableDimensionsは，予測子デ，タの各次元が可変サ。

configuration . x . sizevector = [Inf 34];configuration . x . variabledimensions = [true false];

1番目の次元のサaapl . exeズは，観測値の個数です。このケスでは，サズの上限が正であり，サ▪▪▪▪▪ズが可変，▪▪▪▪まりXの観測値の個数が任意であることを指定します。この指定は，コ，ドを生成するときに観測値の個数が不明である場合に便利です。

2番目の次元のサaapl . exeズは，予測子変数の個数です。この値は，機械学習モデルに対し固定でなければなりません。Xには34個の予測子が含まれているので，属性SizeVectorの値は34，属性VariableDimensionsの値は假でなければなりません。

新しいデータまたは異なる設定を使用してSVMモデルに再学習をさせた場合,サポートベクターの個数が変化する可能性があります。したがって，生成されたコ，ドのサポ，トベクタ，を更新できるように万博1manbetxSupportVectorsのコ，ダ，属性を指定します。

configurati万博1manbetxon . supportvectors . sizevector = [250 34];

Alpha的SizeVector属性已被修改以满足配置约束。SupportVectorLabels的SizeV万博1manbetxector属性已被修改以满足配置约束。

configurati万博1manbetxon . supportvectors . variabledimensions = [true false];

Alpha的VariableDimensions属性已被修改以满足配置约束。已修改SupportVectorLabels的VariableDi万博1manbetxmensions属性以满足配置约束。

万博1manbetxSupportVectorsのコ，ダ，属性が変更されると，αおよび万博1manbetxSupportVectorLabelsのコ，ダ，属性が構成の制約を満たすように変更されます。あるパラメーターのコーダー属性の変更によって構成の制約を満たすために他の従属パラメーターの変更が必要になる場合,従属パラメーターのコーダー属性は変更されます。

コ，ドの生成

C / c++コードを生成するには,適切に設定されているC / c++コンパイラにアクセスできなければなりません。MATLAB编码器は，サポ，トされている，ンスト，ラを探して使用します。墨西哥人设置を使用すると，既定のコンパ。詳細は，既定のコンパ@ @ラの変更を参照してください。

generateCodeを使用して，svm分類モデル(Mdl)の関数预测および更新にいて，既定の設定でコドを生成します。

generateCode(配置)

generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel。代码生成成功。

generateCodeは，コ，ドを生成するために必要なmatlabファ，ルを生成します。これには，Mdlの関数预测および更新にそれぞれ対応する2のエントリポント関数predict.mおよびupdate.mが含まれます。次にgenerateCodeは，2のエントリポClassificationSVMModelという名前のmex関数をcodegen \墨西哥人\ ClassificationSVMModelフォルダ，内に作成し，このmex関数を現在のフォルダ，にコピ，します。

生成されたコ，ドの確認

予測子デ，タを渡して，Mdlの関数预测とmex関数の関数预测が同じラベルを返すかどうかを確認します。複数のエントリポイントがある墨西哥人関数内のエントリポイント関数を呼び出すため,1番目の入力引数として関数名を指定します。

[label,score] = predict(Mdl,X);[label_mex,score_mex] = ClassificationSVMModel(“预测”, X);

isequalを使用して，标签とlabel_mexを比較します。

label_mex isequal(标签)

ans =逻辑1

すべての入力が等しい場合，isequalは逻辑1 (真正的)を返します。この比較により，同じラベルをMdlの関数预测とmex関数の関数预测が返すことを確認します。

分数と比較すると，score_mexには丸めによる差が含まれている場合があります。このような場合は，小さい誤差を許容してscore_mexと分数を比較します。

Find (abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

この比較により，許容誤差1 e-8内で分数とscore_mexが等しいことを確認します。

モデルの再学習と生成コ，ド内のパラメ，タ，の更新

デ，タセット全体を使用してモデルに再学習をさせます。

retrainedMdl = fitcsvm(X,Y);

validatedUpdateInputsを使用して，更新するパラメ，タ，を抽出します。この関数は，retrainedMdl内の修正されたモデルパラメーターを判別し,修正されたパラメーター値がパラメーターのコーダー属性を満たすかどうかを検証します。

params = validatedUpdateInputs(配置器，retrainedMdl);

生成されたコ，ド内のパラメ，タ，を更新します。

ClassificationSVMModel (“更新”params)

生成されたコ，ドの確認

retrainedMdlの関数预测の出力と，更新したmex関数の関数预测の出力を比較します。

[label,score] = predict(retrainedMdl,X);[label_mex,score_mex] = ClassificationSVMModel(“预测”, X);label_mex isequal(标签)

ans =逻辑1

Find (abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

この比較により，标签とlabels_mexが等しく，スコアの値が許容誤差内で等しいことを確認します。