更新代码生成的模型参数
生成C/ c++代码预测
和使现代化
使用编码器配置器对象的机器学习模型的功能。使用创建此对象LearnerCoder配置器
及其目标函数generateCode
. 这个n you can use the使现代化
函数更新生成代码中的模型参数,而无需重新生成代码。当您使用新数据或设置重新训练模型时,此功能可以减少重新生成、重新部署和重新验证C/C++代码所需的工作量。
此流程图显示了使用编码器配置器的代码生成工作流。使用使现代化
为突出显示的步骤。
如果不生成代码,则不需要使用使现代化
函数。在MATLAB中重新训练模型时®,返回的模型已包含修改的参数。
的更新版本updatedMdl
=更新(Mdl
,params
)Mdl
中包含新参数的params
.
重新训练模型后,使用验证更新输入
函数用于检测重新训练模型中的修改参数,并验证修改后的参数值是否满足参数的编码器属性。使用验证更新输入
,已验证的参数,作为输入params
更新模型参数。
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。
列车模型
加载电离层
数据集。这个数据集有34个预测器和351个雷达回波的二进制响应,或者是坏的(“b”
)或好(“g”
).使用前50个观测值训练二元SVM分类模型。
负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
Mdl
是一个分类VM
对象
创建编码器配置器
控件创建一个编码器配置器分类VM
利用LearnerCoder配置器
.指定预测器数据X
. 这个LearnerCoder配置器
函数使用输入X
要配置的编码器属性,请执行以下操作:预测
函数输入。另外,将输出数设置为2,以便生成的代码返回预测的标签和分数。
configurer=learnercoderconfiguer(Mdl,X(1:50,:),“NumOutputs”,2);
配置器
是一个分类VMCoderConfiguration
对象,它是分类VM
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结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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。
configurer.X.SizeVector=[Inf 34];configurer.X.VariableDimensions=[true-false];
第一个维度的大小是观察数。在这种情况下,代码指定大小的上限为Inf
大小是可变的,也就是说X
可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量,则可以使用此规范。
第二个维度的大小是预测变量的数量。对于机器学习模型,该值必须是固定的。X
包含34个预测值,因此SizeVector
属性必须为34,并且VariableDimensions
属性必须是错误的
.
如果使用新数据或不同设置重新训练SVM模型,则支持向量的数量可能会有所不同。因此,请指定的编码器属性万博1manbetx万博1manbetx支持向量
这样您就可以在生成的代码中更新支持向量。万博1manbetx
configurer.万博1manbetxSupportVectors.SizeVector=[250 34];
Alpha的SizeVector属性已修改为满足配置约束。SupportVectorLabels的SizeVector属性已修改为满足配置约束。万博1manbetx
configurer.万博1manbetxSupportVectors.VariableDimensions = [true false];
Alpha的VariableDimensions属性已修改以满足配置约束。SupportVectorLabels的VariableDimensions属性已修改以满足配置约束。万博1manbetx
如果修改的编码器属性万博1manbetx支持向量
,然后软件修改的编码器属性阿尔法
和万博1manbetx支持向量标签
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,您必须能够访问正确配置的C/C++编译器。MATLAB编码器定位并使用受支持的、已安装的编译器。你可以用万博1manbetx墨西哥
-设置
查看和更改默认编译器。有关详细信息,请参阅更改默认编译器.
使用generateCode
生成的代码预测
和使现代化
支持向量机分类模型的功能(Mdl
)使用默认设置。
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:“initialize.m”、“predict.m”、“update.m”、“ClassificationSVMModel.mat”代码生成成功。
generateCode
生成生成代码所需的MATLAB文件,包括两个入口点函数predict.m
和更新.m
对于预测
和使现代化
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\mex\ClassificationSVMModel
文件夹并将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能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,得分]=预测(Mdl,X);[标签、分数]=分类VMModel(“预测”, X);
比较标签
和标签
利用isequal
.
label_mex isequal(标签)
ans=逻辑1
isequal
返回逻辑1(符合事实的
),如果所有输入相等。比较证实了预测
功能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
,允许较小的公差。
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
在公差范围内是相等的1e–8
.
重新训练模型并更新生成代码中的参数
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验证更新输入
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
ClassificationSVMModel (“更新”,参数)
验证生成的代码
比较来自预测
功能再培训DMDL
和预测
更新的MEX函数中的函数。
[标签,得分]=预测(再培训DMDL,X);[标签、分数]=分类VMModel(“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
和标签
相等,并且分数值在公差范围内相等。
列车A纠错输出代码(ECOC)使用SVM二进制学习器建模,并为模型创建编码器配置器。使用编码器配置器的属性指定ECOC模型参数的编码器属性。使用编码器配置器的目标函数生成预测新预测数据标签的C代码。然后使用不同设置重新训练模型,并更新在不重新生成代码的情况下删除生成代码中的参数。
列车模型
加载Fisher的虹膜数据集。
负载鱼腥草X =量;Y =物种;
创建一个支持向量机二元学习模板,使用高斯核函数和标准化预测数据。
t = templateSVM (“内核函数”,“高斯”,“标准化”,对);
使用模板训练一个多类ECOC模型t
.
Mdl=FITCECOCC(X,Y,“学习者”,t);
Mdl
是一个分类
对象
创建编码器配置器
控件创建一个编码器配置器分类
利用LearnerCoder配置器
.指定预测器数据X
. 这个LearnerCoder配置器
函数使用输入X
要配置的编码器属性,请执行以下操作:预测
函数的输入。此外,将输出的数量设置为2,以便生成的代码返回预测
函数,它是预测的标签和求反的平均二进制损失。
configurer=learnerCoderConfigurer(Mdl,X,“NumOutputs”, 2)
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName:“ClassificationECOCModel”属性,方法
配置器
是一个分类代码配置器
对象,它是分类
对象的可调输入参数预测
和使现代化
:X
,二元收入者
,先前的
和费用
.
指定参数的编码器属性
指定的编码器属性预测
参数(预测器数据和名称-值对参数“解码”
和“BinaryLoss”
)及使现代化
参数(SVM学习器的支万博1manbetx持向量),以便您可以使用这些参数作为的输入参数预测
和使现代化
在生成的代码中。
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结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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。
configurer.X.SizeVector=[Inf 4];configurer.X.VariableDimensions=[true-false];
第一个维度的大小是观察数。在这种情况下,代码指定大小的上限为Inf
大小是可变的,也就是说X
可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量,则可以使用此规范。
第二个维度的大小是预测变量的数量。对于机器学习模型,该值必须是固定的。X
包含4个预测值,因此SizeVector
属性必须为4,并且是VariableDimensions
属性必须是错误的
.
接下来,修改的编码器属性BinaryLoss
和解码
使用“BinaryLoss”
和“解码”
生成的代码中的名称-值对参数。显示BinaryLoss
.
配置。BinaryLoss
ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0
要在生成的代码中使用非默认值,必须在生成代码之前指定该值。指定价值
属性BinaryLoss
作为“指数型”
.
configurer.BinaryLoss.Value=“指数型”;配置。BinaryLoss
ans=EnumeratedInput,属性为:Value:'exponential'SelectedOption:'Buildin'内置选项:{1x7 cell}IsConstant:1可调性:1
当修改属性值时可调谐性
是错误的
(逻辑0),软件设置可调谐性
到符合事实的
(逻辑1)。
显示的编码器属性解码
.
配置。解码
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定司仪
属性解码
作为错误的
以便使用。中的所有可用值建筑物
在生成的代码中。
configurer.Decoding.IsConstant=false;configurer.Decoding
ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1
软件改变了价值
属性解码
到学习者输入
对象,以便两者都可以使用“迷失方向”
和“以损失为基础
"作为“解码”
. 此外,软件还设置SelectedOption
到“非恒定”
和可调谐性
到符合事实的
.
最后,修改的编码器属性万博1manbetx支持向量
在里面二元收入者
.显示的编码器属性万博1manbetx支持向量
.
configurer.BinaryLearners.万博1manbetxSupportVectors
ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1
的默认值VariableDimensions
是(真假)
因为每个学习者都有不同数量的支持向量。如果使用新数据或不同设置重新训练ECOC模型,SVM学习万博1manbetx器中的支持向量数量可能会有所不同。因此,增加支持向量数量的上限。
configurer.BinaryLearners.万博1manbetxSupportVectors.SizeVector=[150 4];
Alpha的SizeVector属性已修改为满足配置约束。SupportVectorLabels的SizeVector属性已修改为满足配置约束。万博1manbetx
如果修改的编码器属性万博1manbetx支持向量
,然后软件修改的编码器属性阿尔法
和万博1manbetx支持向量标签
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。
显示编码器配置器。
配置器
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput] BinaryLoss: [1 x1 EnumeratedInput]解码:[1 x1 EnumeratedInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel'属性,方法
现在显示包括BinaryLoss
和解码
也
生成代码
要生成C/C++代码,您必须能够访问正确配置的C/C++编译器。MATLAB编码器定位并使用受支持的、已安装的编译器。你可以用万博1manbetx墨西哥
-设置
查看和更改默认编译器。有关详细信息,请参阅更改默认编译器.
为预测
和使现代化
ECOC分类模型的功能(Mdl
).
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:“initialize.m”、“predict.m”、“update.m”、“ClassificationeComModel.mat”代码生成成功。
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
和更新.m
对于预测
和使现代化
功能Mdl
,分别。
创建一个名为分类模型
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\ ClassificationECOCModel
文件夹
将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能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。因为你指定的“解码”
通过更改司仪
属性生成代码之前,还需要在调用MEX函数时指定它,即使“迷失方向”
是的默认值“解码”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,“指数型”); [label_-mex,NegLoss_-mex]=分类模型(“预测”, X,“BinaryLoss”,“指数型”,“解码”,“迷失方向”);
比较标签
到标签
利用isequal
.
label_mex isequal(标签)
ans=逻辑1
isequal
返回逻辑1(符合事实的
),如果所有输入相等。比较证实了预测
功能Mdl
和预测
函数中返回相同的标签。
NegLoss_mex
可能包括与内格罗斯
.在这种情况下,比较NegLoss_mex
到内格罗斯
,允许较小的公差。
查找(abs(NegLoss-NegLoss_mex)>1e-8)
ans=0x1空双列向量
对比证实了内格罗斯
和NegLoss_mex
在公差范围内是相等的1e–8
.
重新训练模型并更新生成代码中的参数
使用不同的设置重新训练模型。指定“内核尺度”
作为“汽车”
因此,软件使用启发式程序选择适当的比例因子。
t_new=模板SVM(“内核函数”,“高斯”,“标准化”符合事实的“内核尺度”,“汽车”); 再培训DMDL=fitcecoc(X,Y,“学习者”(t_new),;
使用提取要更新的参数验证更新输入
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
分类模型(“更新”,参数)
验证生成的代码
比较来自预测
功能再培训DMDL
的输出预测
更新的MEX函数中的函数。
[label,NegLoss]=预测(重新训练的DMDL,X,“BinaryLoss”,“指数型”,“解码”,“损失基础”); [label_-mex,NegLoss_-mex]=分类模型(“预测”, X,“BinaryLoss”,“指数型”,“解码”,“损失基础”);label_mex isequal(标签)
ans=逻辑1
查找(abs(NegLoss-NegLoss_mex)>1e-8)
ans=0x1空双列向量
对比证实了标签
和标签
平等,平等,内格罗斯
和NegLoss_mex
在公差范围内是相等的。
使用部分数据集训万博1manbetx练支持向量机(SVM)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指定SVM模型参数的编码器属性。使用编码器配置器的目标函数生成预测新预测器数据响应的C代码。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。
列车模型
加载卡斯莫尔
使用前50个观测值设置数据集并训练SVM回归模型。
负载卡斯莫尔X =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
Mdl
是一个RegressionSVM
对象
创建编码器配置器
控件创建一个编码器配置器RegressionSVM
利用LearnerCoder配置器
.指定预测器数据X
. 这个LearnerCoder配置器
函数使用输入X
要配置的编码器属性,请执行以下操作:预测
函数的输入。
configurer=learnercoderconfiguer(Mdl,X(1:50,:);
配置器
是一个回归VMCoderConfigure
对象,它是RegressionSVM
对象
指定参数的编码器属性
指定支持向量机回归模型参数的编码器属性,以便您可以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,以及支持向量机回归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结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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。
configurer.X.SizeVector=[Inf 2];configurer.X.VariableDimensions=[true-false];
第一个维度的大小是观察数。在这种情况下,代码指定大小的上限为Inf
大小是可变的,也就是说X
可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量,则可以使用此规范。
第二个维度的大小是预测变量的数量。对于机器学习模型,该值必须是固定的。X
包含两个预测器,因此SizeVector
属性必须为2,并且VariableDimensions
属性必须是错误的
.
如果使用新数据或不同设置重新训练SVM模型,则支持向量的数量可能会有所不同。因此,请指定的编码器属性万博1manbetx万博1manbetx支持向量
这样您就可以在生成的代码中更新支持向量。万博1manbetx
configurer.万博1manbetxSupportVectors.SizeVector=[250 2];
Alpha的SizeVector属性已修改以满足配置约束。
configurer.万博1manbetxSupportVectors.VariableDimensions = [true false];
Alpha的VariableDimensions属性已修改以满足配置约束。
如果修改的编码器属性万博1manbetx支持向量
,然后软件修改的编码器属性阿尔法
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,您必须能够访问正确配置的C/C++编译器。MATLAB编码器定位并使用受支持的、已安装的编译器。你可以用万博1manbetx墨西哥
-设置
查看和更改默认编译器。有关详细信息,请参阅更改默认编译器.
使用generateCode
生成的代码预测
和使现代化
支持向量机回归模型(Mdl
)使用默认设置。
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:“initialize.m”、“predict.m”、“update.m”、“RegressionSVMModel.mat”代码生成成功。
generateCode
生成生成代码所需的MATLAB文件,包括两个入口点函数predict.m
和更新.m
对于预测
和使现代化
功能Mdl
,分别。然后generateCode
创建一个名为回归模型
的两个入口点函数codegen\mex\RegressionSVMModel
文件夹并将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能Mdl
和预测
MEX函数中的函数返回相同的预测响应。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。
yfit=预测(Mdl,X);yfit_mex=回归模型(“预测”, X);
yfit_mex
可能包括舍入差异与yfit
.在这种情况下,比较yfit
和yfit_mex
,允许较小的公差。
找到(abs (yfit-yfit_mex) > 1 e-6)
ans=0x1空双列向量
对比证实了yfit
和yfit_mex
在公差范围内是相等的1e–6
.
重新训练模型并更新生成代码中的参数
使用整个数据集重新训练模型。
再培训DMDL=fitrsvm(X,Y);
使用提取要更新的参数验证更新输入
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
RegressionSVMModel (“更新”,参数)
验证生成的代码
比较来自预测
功能再培训DMDL
和预测
更新的MEX函数中的函数。
yfit=预测(再培训DMDL,X);yfit\u mex=回归VMModel(“预测”, X);找到(abs (yfit-yfit_mex) > 1 e-6)
ans=0x1空双列向量
对比证实了yfit
和yfit_mex
在公差范围内是相等的1e-6
.
使用部分数据集训练回归树,并为模型创建编码器配置器。使用编码器配置器的属性指定模型参数的编码器属性。使用编码器配置器的目标函数生成预测新预测器数据响应的C代码。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。
列车模型
加载卡比格
数据集,并训练回归树模型使用一半的观察。
负载卡比格X=[排量马力重量];Y=MPG;rng(“默认”)%的再现性n=长度(Y);idxTrain=随机样本(n,n/2);XTrain=X(idxTrain,:);YTrain=Y(idxTrain);Mdl=FirtTree(XTrain,YTrain);
Mdl
是一个RegressionTree
对象
创建编码器配置器
控件创建一个编码器配置器RegressionTree
利用LearnerCoder配置器
.指定预测器数据XTrain
. 这个LearnerCoder配置器
函数使用输入XTrain
要配置的编码器属性,请执行以下操作:预测
函数输入。另外,将输出数设置为2,以便生成的代码返回预测响应和预测节点数。
配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”,2);
配置器
是一个回归树配置器
对象,它是RegressionTree
对象
指定参数的编码器属性
指定回归树模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。
指定代码的编码器属性X
性质配置器
这样生成的代码就可以接受任意数量的观察结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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。
[Inf 3];configurer.X.VariableDimensions
ans=1x2逻辑阵列1 0
第一个维度的大小是观察的数量。设置SizeVector
把某事归因于某人Inf
使软件更改VariableDimensions
把某事归因于某人1
. 换句话说,大小的上限是Inf
并且大小是可变的,这意味着预测数据可以有任意数量的观察值。如果在生成代码时不知道观察值的数量,则此规范非常方便。
第二个维度的大小是预测变量的数量。对于机器学习模型,此值必须固定。由于预测器数据包含3个预测器,因此SizeVector
属性必须是3.
以及VariableDimensions
属性必须是0
.
如果使用新数据或不同设置重新训练树模型,则树中的节点数可能会有所不同。因此,请指定树的第一个维度SizeVector
属性,以便您可以更新生成代码中的节点数:儿童
,割点
,切割预测指数
或诺德米安
. 然后,软件会自动修改其他属性。
例如,设置SizeVector
属性诺德米安
财产Inf
. 这个software modifies theSizeVector
和VariableDimensions
属性儿童
,割点
和切割预测指数
匹配树中节点数的新上限。此外VariableDimensions
属性诺德米安
更改1
.
configurer.NodeMean.SizeVector=[Inf 1];
已修改子项的SizeVector属性以满足配置约束。已修改切割点的SizeVector属性以满足配置约束。已修改CutPredictIndex的SizeVector属性以满足配置约束。已修改子项的VariableDimensions属性以满足配置约束配置约束。已修改切割点的VariableDimensions属性以满足配置约束。已修改CutPredictor索引的VariableDimensions属性以满足配置约束。
configurer.NodeMean.VariableDimensions
ans=1x2逻辑阵列1 0
生成代码
要生成C/C++代码,您必须能够访问正确配置的C/C++编译器。MATLAB编码器定位并使用受支持的、已安装的编译器。你可以用万博1manbetx墨西哥
-设置
查看和更改默认编译器。有关详细信息,请参阅更改默认编译器.
为预测
和使现代化
回归树模型的功能(Mdl
).
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:“initialize.m”、“predict.m”、“update.m”、“RegressionTreeModel.mat”代码生成成功。
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
和更新.m
对于预测
和使现代化
功能Mdl
,分别。
创建一个名为回归树模型
对于两个入口点函数。
控件中创建MEX函数的代码codegen\mex\RegressionTreeModel
文件夹
将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能Mdl
和预测
MEX函数中的函数返回相同的预测响应。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。
[Yfit、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”,XTrain);
比较伊菲特
到Yfit_mex
和节点
到node_mex
.
最大值(abs(Yfit-Yfit_-mex),[],“全部”)
ans=0
node_mex isequal(节点)
ans=逻辑1
一般来说Yfit_mex
可能包括与伊菲特
.在本例中,比较证实了这一点伊菲特
和Yfit_mex
是相等的。
isequal
返回逻辑1(符合事实的
),如果所有输入参数相等。比较证实了预测
功能Mdl
和预测
MEX函数中的函数返回相同的节点号。
重新训练模型并更新生成代码中的参数
使用整个数据集重新训练模型。
重新训练的DMDL=Firtree(X,Y);
使用提取要更新的参数验证更新输入
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
RegressionTreeModel (“更新”,参数)
验证生成的代码
的输出参数比较预测
功能再培训DMDL
和预测
更新的MEX函数中的函数。
[Yfit,node]=预测(retainedmdl,X);[Yfit\u-mex,node\u-mex]=回归树模型(“预测”,X);最大值(abs(Yfit-Yfit_-mex),[],“全部”)
ans=0
node_mex isequal(节点)
ans=逻辑1
比较确认预测响应和节点数相等。
Mdl
- - - - - -机器学习模型机器学习模型,指定为模型对象,如本支持模型表所示。万博1manbetx
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | 紧分类树 |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | 分类线性 |
支持向量机的多类模型和线性模型 | CompactClassificationECOC |
回归二叉决策树 | 紧回归树 |
万博1manbetx支持向量机回归 | CompactRegressionSVM |
线性回归 | 回归线性 |
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。
params
- - - - - -参数更新机器学习模型中要更新的参数,指定为一个结构,每个参数都有一个要更新的字段。
创造params
通过使用验证更新输入
函数。该函数检测重新训练的模型中修改的参数,验证修改的参数值是否满足参数的编码器属性,并返回要更新的参数作为结构。
如本表所述,可以更新的参数集因机器学习模型而异。
模型 | 要更新的参数 |
---|---|
用于多类分类的二叉决策树 | 儿童 ,类概率 ,费用 ,割点 ,切割预测指数 ,先前的 |
支持向量机用于一类和二值分类 |
|
二元分类的线性模型 | 贝塔 ,偏见 ,费用 ,先前的 |
支持向量机的多类模型和线性模型 | |
回归二叉决策树 | 儿童 ,割点 ,切割预测指数 ,诺德米安 |
支持向量机回归 |
|
线性回归 | 贝塔 ,偏见 |
如果在重新训练模型时修改表中列出的任何名称-值对参数,则不能使用使现代化
以更新参数。您必须再次生成C/C++代码。
模型 | 参数不支持更新万博1manbetx |
---|---|
用于多类分类的二叉决策树 | 论据fitctree - - - - - -“类名” ,“分数变换” |
支持向量机用于一类和二值分类 | 论据fitcsvm - - - - - -“类名” ,“内核函数” ,“多项式序” ,“分数变换” ,“标准化” |
二元分类的线性模型 | 论据fitclinear - - - - - -“类名” ,“分数变换” |
支持向量机的多类模型和线性模型 | 论据 如果您指定二进制学习者 |
回归二叉决策树 | 论据菲特里 - - - - - -“ResponseTransform” |
支持向量机回归 | 论据菲特斯姆 - - - - - -“内核函数” ,“多项式序” ,“ResponseTransform” ,“标准化” |
线性回归 | 论据fitrlinear - - - - - -“ResponseTransform” |
在编码器配置器工作流中,您使用generateCode
要创建更新.m
入口点函数和入口点函数的MEX函数。假设MEX函数的名称为myModel
,你打电话使现代化
使用这种语法。
myModel (“更新”,参数)
要查看如何在入口点函数中使用此页面上描述的语法,请显示更新.m
和初始化.m
通过使用类型
函数。
类型更新.m类型初始化.m
有关显示更新.m
和初始化.m
文件,请参阅使用编码器配置器生成代码.
在编码器配置器工作流中Mdl
的输入参数使现代化
是否返回模型loadLearnerForCoder
. 此模型和updatedMdl
对象是主要包含预测所需属性的简化分类或回归模型。
使用注意事项及限制:
使用创建编码器配置器LearnerCoder配置器
然后生成代码预测
和使现代化
通过使用对象函数generateCode
.
机器学习模型的代码生成使用说明和局限性Mdl
,请参见“模型对象”页面的“代码生成”部分。
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | 紧分类树 |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | 分类线性 |
支持向量机的多类模型和线性模型 | CompactClassificationECOC |
回归二叉决策树 | 紧回归树 |
万博1manbetx支持向量机回归 | CompactRegressionSVM |
线性回归 | 回归线性 |
有关更多信息,请参见代码生成简介.
다음MATLAB명령에해당하는링크를클릭했습니다。
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는MATLAB명령을지원하지않습니다。
您还可以从以下列表中选择网站:
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。