火车模型

加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”)还是好(‘g’）.使用前50个观测值训练二值支持向量机分类模型。

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

为此创建一个编码器配置程序分类VM利用LearnerCoder配置器。指定预测数据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对象的编码配置器分类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，以便在再培训模型后可以更新生成的代码中的参数。此示例指定要传递给生成的代码和SVM模型的支持向量的编码器属性的预测器数据的编码器属性。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和可变尺寸属性SizeVector属性指定预测器数据大小的上限，而可变尺寸属性指定预测器数据的每个维度是可变大小还是固定大小。

configuration . 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，这意味着X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，该值必须是固定的。X包含34个预测器，因此SizeVector属性的值必须为34可变尺寸属性必须错误的．

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1manbetxSupportVectors这样您就可以更新生成代码中的支持向量。万博1manbetx

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

Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si万博1manbetxzeVector属性以满足配置约束。

configurer.万博1manbetxSupportVectors.VariableDimensions=[true-false]；

Alpha的VariableDimensions属性已修改以满足配置约束。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1manbetxSupportVectors，然后软件修改了编码器属性α和万博1manbetx支持向量标签满足配置约束。如果修改一个参数的编码器属性需要后续更改其他相关参数以满足配置约束，则软件会更改相关参数的编码器属性。

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人-设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器(MATLAB)。

使用Generatecode.为预测和更新SVM分类模型的函数(Mdl)使用默认设置。

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel.mat”

Generatecode.生成生成代码所需的MATLAB文件，包括两个入口点函数预测.M.和update.m对于预测和更新的功能Mdl，然后Generatecode.创建一个名为分类模型对于中的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel文件夹，并将MEX功能复制到当前文件夹。

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label_mex利用等质量．

isequal（标签，label_mex）

ans=必然的1.

等质量返回逻辑1(真正的)如果所有输入都相等，则比较确认预测功能Mdl和预测MEX函数中的函数返回相同的标签。

得分与...相比，可能包括圆截止差异分数.在这种情况下，比较得分和分数，允许有一个小的公差。

查找（abs（分数-分数-平均值）>1e-8）

Ans = 0x1空双列向量

这一比较证实了这一点分数和得分在公差内是相等的吗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。

RetrainingMDL = FITCSVM（X，Y）;

使用提取要更新的参数validatedUpdateInputs。此功能检测中修改的模型参数再培训DMDL并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

classificationsvmmodel（“更新”params)

验证生成的代码

的输出比较预测功能再培训DMDL和预测函数。

[标签，得分]=预测（再培训DMDL，X）；[标签、分数]=分类VMModel(“预测”, X);isequal（标签，label_mex）

ans=必然的1.

查找（abs（分数-分数-平均值）>1e-8）

Ans = 0x1空双列向量

这一比较证实了这一点标签和labels_mex是相等的，并且在容忍范围内得分值是相等的。

火车模型

加载Fisher的虹膜数据集。

负载鱼腥草x = meas;y =物种;

创建一个SVM二进制学习器模板，以使用高斯核函数并标准化预测数据。

t = templatesvm（“KernelFunction”,“高斯”,'标准化',真正的);

使用模板培训多类ECOC模型T．

Mdl = fitcecoc (X, Y,“学习者”，t）；

Mdl是一个分类对象。

创建编码器配置

为此创建一个编码器配置程序分类利用LearnerCoder配置器。指定预测数据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函数，它是预测的标签和求反的平均二进制损失。

配置= learnerCoderConfigurer (Mdl X,“NumOutputs”2）

configurer = ClassificationCocoderConfigurer具有属性：更新输入：BinaryLearners：[1x1 ClassificationsVmcoderConfigurer]之前：[1x1 LearnercoderInput]成本：[1x1 LearnercoderInput]预测输入：X：[1x1 LearnerCoderInput]代码生成参数：NumOutputs：2 OutputFileName：'ClassificationCocModel'属性，方法

配置器是一个ClassificationECOCCoderConfigurer对象的编码配置器分类对象。的可调参数预测和更新:X,二元收入者,之前,费用．

指定参数的编码器属性

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'二元乐'),更新参数（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更新在生成的代码中。

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和可变尺寸属性SizeVector属性指定预测器数据大小的上限，而可变尺寸属性指定预测器数据的每个维度是可变大小还是固定大小。

[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，这意味着X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，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，并且是可变尺寸属性必须错误的．

接下来，修改的编码器属性双星和解码用来'二元乐'和“解码”生成的代码中的名称-值对参数。的编码属性双星．

configurer.BinaryLoss

ANS = eNumerateDupput使用属性：value：'铰链'selectionOption：'内置'构建选项：{1x7 Cell} iSononstant：1可调性：0

若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。请指定价值的属性双星像“指数”．

configurer.BinaryLoss.Value =“指数”；configurer.BinaryLoss

ans = EnumeratedInput与属性:值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1

如果您在何时修改属性值可调性是错误的（逻辑0），软件设置可调性来真正的（逻辑1）。

的编码属性解码．

配置器.解码

ANS = eNumerateDupput使用属性：value：'lockweighted'selectionOption：'内置'内置选项：{'lockweighted'的“丢失”} iSononstant：1可调性：0

指定IsConstant的属性解码像错误的以便您可以使用中的所有可用值建筑物在生成的代码中。

configurer.Decoding.IsConstant = false;配置器.解码

ans=带属性的EnumeratedInput:值：[1x1 LearnerCoderInput]SelectedOption:'Nonctant'内置选项：{'LossWighted''lossbased'}IsConstant:0可调性：1

软件改变了价值的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“lossbased的价值“解码”．此外，软件设置选择选项来“非恒定”和可调性来真正的．

最后，修改的编码器属性万博1manbetxSupportVectors在里面二元收入者.显示的编码器属性万博1manbetxSupportVectors．

configur.binarylearners.su万博1manbetxpportVectors.

ANS = LearnerCoderInput具有属性：Sizevector：[54 4] variabledimensions：[1 0]数据类型：'Double'可调性：1

的默认值可变尺寸是[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属性已被修改以满足配置约束。修改了SupportVectorLabels的Si万博1manbetxzeVector属性以满足配置约束。

如果修改的编码器属性万博1manbetxSupportVectors，然后软件修改了编码器属性α和万博1manbetx支持向量标签满足配置约束。如果修改一个参数的编码器属性需要后续更改其他相关参数以满足配置约束，则软件会更改相关参数的编码器属性。

显示编码器配置器。

配置器

configurer=ClassificationeCoderConfiger with properties:更新输入：BinaryLearners:[1x1 ClassificationsVMCoderConfigure]Previor:[1x1 LearnerCoderInput]成本：[1x1 LearnerCoderInput]预测输入：X:[1x1 LearnerCoderInput]BinaryLoss:[1x1 EnumeratedInput]解码：[1x1 EnumeratedInput]代码生成参数：NumOutputs:2 OutputFileName:“ClassificationeComModel”属性、方法

显示器现在包括双星和解码也

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人-设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器(MATLAB)。

为预测和更新ECOC分类模式的功能(Mdl）.

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel.mat”

这个Generatecode.函数完成这些操作：

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。因为你指定了“解码”通过更改IsConstant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”默认值是“解码”．

[label，NegLoss]=预测（Mdl，X，'二元乐',“指数”); [label_-mex，NegLoss_-mex]=分类模型(“预测”，X，'二元乐',“指数”,“解码”,“迷失方向”);

比较标签来label_mex利用等质量．

isequal（标签，label_mex）

ans=必然的1.

等质量返回逻辑1(真正的)如果所有输入都相等，则比较确认预测功能Mdl和预测MEX函数中的函数返回相同的标签。

NegLoss_mex可能包括舍入差异与内格罗斯.在这种情况下，比较NegLoss_mex来内格罗斯，允许有一个小的公差。

找到(abs (NegLoss-NegLoss_mex) > 1 e-8)

Ans = 0x1空双列向量

这一比较证实了这一点内格罗斯和NegLoss_mex在公差内是相等的吗1e–8．

重新训练模型并更新生成代码中的参数

使用其他设置重新训练模型。指定“KernelScale”像“自动”因此，该软件采用启发式的方法选择合适的比例因子。

t_new = templateSVM (“KernelFunction”,“高斯”,'标准化',真的,“KernelScale”,“自动”); 再培训DMDL=fitcecoc（X，Y，“学习者”, t_new);

使用提取要更新的参数validatedUpdateInputs。此功能检测中修改的模型参数再培训DMDL并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

分类模型(“更新”params)

验证生成的代码

的输出比较预测功能再培训DMDL到了输出预测函数。

[标签,NegLoss] =预测(retrainedMdl X,'二元乐',“指数”,“解码”,“lossbased”); [label_-mex，NegLoss_-mex]=分类模型(“预测”，X，'二元乐',“指数”,“解码”,“lossbased”); isequal（标签，标签）

ans=必然的1.

找到(abs (NegLoss-NegLoss_mex) > 1 e-8)

Ans = 0x1空双列向量

这一比较证实了这一点标签和label_mex是相等的,内格罗斯和NegLoss_mex在公差范围内是相等的。

火车模型

加载carsmall使用前50个观测值设置数据集并训练SVM回归模型。

负载carsmallX=马力，重量；Y=每加仑；Mdl=fitrsvm（X（1:50，：），Y（1:50））；

Mdl是一个回归vm.对象。

创建编码器配置

为此创建一个编码器配置程序回归vm.利用LearnerCoder配置器。指定预测数据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。

配置= learnerCoderConfigurer (Mdl X (1:50,:));

配置器是一个RegressionSVMCoderConfigurer对象的编码配置器回归vm.对象。

指定参数的编码器属性

指定SVM回归模型参数的编码器属性，以便在刷新模型后，您可以更新生成的代码中的参数。此示例指定要传递给生成的代码和SVM回归模型的支持向量的编码器属性的预测器数据的编码器属性。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和可变尺寸属性SizeVector属性指定预测器数据大小的上限，而可变尺寸属性指定预测器数据的每个维度是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，这意味着X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型，该值必须是固定的。X包含两个预测因子，所以价值SizeVector属性的值必须为2可变尺寸属性必须错误的．

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1manbetxSupportVectors这样您就可以更新生成代码中的支持向量。万博1manbetx

configurati万博1manbetxon . supportvectors . sizevector = [250 2];

Alpha的SizeVector属性已被修改以满足配置约束。

configurer.万博1manbetxSupportVectors.VariableDimensions=[true-false]；

已修改Alpha的VariableDimensions属性以满足配置约束。

如果修改的编码器属性万博1manbetxSupportVectors，然后软件修改了编码器属性α满足配置约束。如果修改一个参数的编码器属性需要后续更改其他相关参数以满足配置约束，则软件会更改相关参数的编码器属性。

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人-设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器(MATLAB)。

使用Generatecode.为预测和更新支持向量机回归模型的功能(Mdl)使用默认设置。

generateCode(配置)

GenerateCode在输出文件夹中创建这些文件：'Initialize.m'，'predict.m'，'update.m'，'reclessionsvmmodel.mat'

Generatecode.生成生成代码所需的MATLAB文件，包括两个入口点函数预测.M.和update.m对于预测和更新的功能Mdl，然后Generatecode.创建一个名为RegressionSVMModel对于中的两个入口点函数codegen\mex\RegressionSVMModel文件夹，并将MEX功能复制到当前文件夹。

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 = RegressionSVMModel (“预测”, X);

yfit_mex与...相比，可能包括圆截止差异伊菲特.在这种情况下，比较伊菲特和yfit_mex，允许有一个小的公差。

查找（abs（yfit-yfit_mex）>1e-6）

Ans = 0x1空双列向量

这一比较证实了这一点伊菲特和yfit_mex在公差内是相等的吗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。

retrainedMdl = fitrsvm (X, Y);

使用提取要更新的参数validatedUpdateInputs。此功能检测中修改的模型参数再培训DMDL并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

回归模型(“更新”params)

验证生成的代码

的输出比较预测功能再培训DMDL和预测函数。

yfit=预测（再培训DMDL，X）；yfit\u mex=回归VMModel(“预测”，X）；查找（abs（yfit-yfit_-mex）>1e-6）

Ans = 0x1空双列向量

这一比较证实了这一点伊菲特和yfit_mex在公差内是相等的吗1 e-6．

火车模型

加载carbig数据集，并使用一半的观测值训练回归树模型。

负载carbigX=[排量马力重量]；Y=MPG；rng(“默认”)%为了再现性n=长度（Y）；idxTrain=随机样本（n，n/2）；XTrain=X（idxTrain，：）；YTrain=Y（idxTrain）；Mdl=FirtTree（XTrain，YTrain）；

Mdl是一个回归植物对象。

创建编码器配置

为此创建一个编码器配置程序回归植物利用LearnerCoder配置器。指定预测数据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：预测函数的输入。另外，将输出的数量设置为2，以便生成的代码返回预测的响应和预测的节点号。

configurer = LearnerCoderConfigurer（MDL，XTrain，“NumOutputs”,2);

配置器是一个RegressionTreeCoderConfigurer对象的编码配置器回归植物对象。

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，以便在再培训模型后可以更新生成的代码中的参数。

属性的编码器属性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和可变尺寸属性SizeVector属性指定预测器数据大小的上限，而可变尺寸属性指定预测器数据的每个维度是可变大小还是固定大小。

configurer.X.SizeVector=[Inf 3]；configurer.X.VariableDimensions

ans=1 x2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导致软件修改可变尺寸把某事归因于某人1.. 换句话说，大小的上限是Inf它的大小是可变的，这意味着预测数据可以有任意数量的观测数据。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

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3.以及可变尺寸属性必须0．

如果使用新的数据或不同的设置重新训练树模型，树中的节点数量可能会有所不同。因此，指定的第一个维度SizeVector属性，以便更新生成的代码中的节点数量:儿童,切口,CutPredictorIndex,或诺德米安. 然后，软件会自动修改其他属性。

例如，设置SizeVector的属性诺德米安财产Inf.软件会修改SizeVector和可变尺寸属性儿童,切口,CutPredictorIndex匹配树中节点数的新上限。此外可变尺寸的属性诺德米安更改为1.．

[Inf 1];

修改了Children的sizeevector属性以满足配置约束。CutPoint的SizeVector属性已被修改以满足配置约束。CutPredictorIndex的SizeVector属性已被修改以满足配置约束。已修改Children的VariableDimensions属性以满足配置约束。已修改CutPoint的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。

configurer.NodeMean.VariableDimensions

ans=1 x2逻辑阵列1 0

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。万博1manbetx您可以使用墨西哥人-设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器(MATLAB)。

为预测和更新回归树模型的功能(Mdl）.

generateCode(配置)

generateCode在输出文件夹中创建这些文件：“initialize.m”、“predict.m”、“update.m”、“RegressionTreeModel.mat”

这个Generatecode.函数完成这些操作：

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，node]=预测（Mdl，XTrain）；[Yfit\u-mex，node\u-mex]=回归树模型(“预测”，XTrain）；

比较伊菲特来Yfit_mex和节点来node_-mex．

马克斯(abs (Yfit-Yfit_mex), [],“全部”)

ans = 0

isequal（node，node_-mex）

ans=必然的1.

一般来说,Yfit_mex可能包括舍入差异与伊菲特.在这种情况下，比较证实伊菲特和Yfit_mex是平等的。

等质量返回逻辑1(真正的)如果所有输入参数都相等。比较结果证实预测功能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。

retrainedMdl = fitrtree (X, Y);

使用提取要更新的参数validatedUpdateInputs。此功能检测中修改的模型参数再培训DMDL并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

回归树模型(“更新”params)

验证生成的代码

比较预测功能再培训DMDL和预测函数。

[Yfit、节点]=预测(retrainedMdl X);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],“全部”)

ans = 0

isequal（node，node_-mex）

ans=必然的1.

比较确认预测响应和节点数相等。