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ClassificationSVM对象

创建编码器配置器

为应用程序创建编码器配置器ClassificationSVM利用learnerCoderConfigurer。指定预测数据X．这个learnerCoderConfigurer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。另外，将输出的数量设置为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);

配置是一个分类VMCoderConfiguration对象，它是ClassificationSVM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。此示例指定要传递到生成代码的预测器数据的编码器属性以及SVM模型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和可变尺寸属性SizeVector属性指定预测器数据大小的上限，以及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 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正而且大小是可变的，这意味着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，并且可变尺寸属性必须是错误的．

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属性已修改以满足配置约束。SupportVectorLabels的SizeVector属性已修改以满足配置约束。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

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．

使用生成代码为预测和使现代化支持向量机分类模型的功能(Mdl)的默认设置。

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。

生成代码生成生成代码所需的MATLAB文件，包括两个入口点函数预测和更新.m为预测和使现代化功能Mdl，然后生成代码创建一个名为ClassificationSVMModel对于中的两个入口点函数codegen\mex\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。若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等质量．

isequal（标签，标签）

ans=必然的1.

等质量返回逻辑1 (符合事实的)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。

得分可能包括与之相比的四舍五入差异分数.在这种情况下，比较得分和分数，允许较小的公差。

找到(abs (score-score_mex) > 1 e-8)

ans=0x1空双列向量

这一比较证实了这一点分数和得分在公差范围内是相等的1 e-8．

在生成的代码中重新训练模型和更新参数

使用整个数据集重新训练模型。

再培训DMDL=fitcsvm（X，Y）；

使用提取要更新的参数验证更新输入。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=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）；等质量（标签，标签）

ans=必然的1.

找到(abs (score-score_mex) > 1 e-8)

ans=0x1空双列向量

这一比较证实了这一点标签和标签相等，并且分数值在公差范围内相等。

列车模型

载入费雪的虹膜数据集。

负载鱼腥草X=多边环境协定；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=模板SVM(“内核函数”,“高斯”,“标准化”，对）；

使用模板培训多类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

为应用程序创建编码器配置器分类利用learnerCoderConfigurer。指定预测数据X．这个learnerCoderConfigurer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，它是预测的标号和负的平均二进制损耗。

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

configurer=ClassificationeCoderConfigurer with properties:更新输入：BinaryLearners:[1x1 ClassificationVMCoderConfigurer]Previor:[1x1 LearnerCoderInput]成本：[1x1 LearnerCoderInput]预测输入：X:[1x1 LearnerCoderInput]代码生成参数：numoutput:2输出文件名：“ClassificationeCodel”属性、方法

配置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,先前的和成本．

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和可变尺寸属性SizeVector属性指定预测器数据大小的上限，以及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 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正而且大小是可变的，这意味着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个预测器，因此SizeVector属性的第二个值必须为4可变尺寸属性必须是错误的．

接下来，修改的编码器属性双星和解码使用“BinaryLoss”和“解码”生成的代码中的名称-值对参数。显示双星．

configurer.BinaryLoss

ans=EnumeratedInput，属性为：值：“铰链”SelectedOption:“内置”内置选项：{1x7单元}IsConstant: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。指定价值属性双星像“指数型”．

configurer.BinaryLoss.Value=“指数型”；configurer.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性是错误的（逻辑0），软件设置可调性到符合事实的（逻辑1）。

的编码属性解码．

配置器.解码

ans=EnumeratedInput，属性为：Value:'LossWighted'SelectedOption:'Buildin'内置选项：{'LossWighted''lossbased'}IsConstant:1可调性：0

指定司仪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；configurer.Decoding

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

软件改变了价值属性解码到一个学习者输入对象，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，软件还设置选择选项到“非恒定”和可调性到符合事实的．

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，属性为：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属性已修改以满足配置约束。SupportVectorLabels的SizeVector属性已修改以满足配置约束。万博1manbetx

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

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。

这个生成代码函数完成这些动作:

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。若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。因为您指定了“解码”通过更改司仪属性在生成代码之前，您还需要在对MEX函数的调用中指定它，即使如此“迷失方向”是的默认值“解码”．

[label，NegLoss]=预测（Mdl，X，“BinaryLoss”,“指数型”）;[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”，X，“BinaryLoss”,“指数型”,“解码”,“迷失方向”）;

比较标签到标签利用等质量．

isequal（标签，标签）

ans=必然的1.

等质量返回逻辑1 (符合事实的)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

这一比较证实了这一点内格罗斯和NegLoss_mex在公差范围内是相等的1 e-8．

在生成的代码中重新训练模型和更新参数

使用其他设置重新训练模型。指定“内核尺度”像“自动”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”,“自动”）;retrainedMdl = fitcecoc (X, Y,“学习者”(t_new),；

使用提取要更新的参数验证更新输入。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=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从预测更新的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] = ClassificationECOCModel (“预测”，X，“BinaryLoss”,“指数型”,“解码”,“损失基础”）;isequal（标签，标签）

ans=必然的1.

查找（abs（NegLoss-NegLoss_mex）>1e-8）

ans=0x1空双列向量

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

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

Mdl是一个RegressionSVM对象

创建编码器配置器

为应用程序创建编码器配置器RegressionSVM利用learnerCoderConfigurer。指定预测数据X．这个learnerCoderConfigurer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SVM回归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。此示例指定要传递到生成代码的预测器数据的编码器属性以及SVM回归模型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和可变尺寸属性SizeVector属性指定预测器数据大小的上限，以及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正而且大小是可变的，这意味着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包含两个预测值，因此SizeVector属性必须为2，并且可变尺寸属性必须是错误的．

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。

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．

使用生成代码为预测和使现代化支持向量机回归模型的功能(Mdl)的默认设置。

生成代码（配置器）

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel。代码生成成功。

生成代码生成生成代码所需的MATLAB文件，包括两个入口点函数预测和更新.m为预测和使现代化功能Mdl，然后生成代码创建一个名为回归模型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可能包括与之相比的四舍五入差异伊菲特.在这种情况下，比较伊菲特和yfit_mex，允许较小的公差。

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在公差范围内是相等的1 e-6．

在生成的代码中重新训练模型和更新参数

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。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=ValidateUpdateInputs（配置器、重新训练的DMDL）；

更新生成代码中的参数。

回归模型(“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）；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在公差范围内是相等的1e-6．

列车模型

加载卡比格数据集，并使用一半的观测值训练回归树模型。

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是一个回归树对象

创建编码器配置器

为应用程序创建编码器配置器回归树利用learnerCoderConfigurer。指定预测数据XTrain．这个learnerCoderConfigurer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。

configurer=learnercoderconfiguer（Mdl、XTrain、，“NumOutputs”,2);

配置是一个回归树配置器对象，它是回归树对象

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，以及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=1x2逻辑阵列1 0

第一个维度的大小是观察的数量。设置SizeVector把某事归因于某人正使软件更改可变尺寸把某事归因于某人1.. 换句话说，大小的上限是正并且大小是可变的，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.以及可变尺寸属性必须是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,切点,切割预测指数或NodeMean．然后软件会自动修改其他属性。

的第一个值SizeVector属性NodeMean财产正.软件会修改SizeVector和可变尺寸属性儿童,切点和切割预测指数以匹配树中节点数目的新上限。的第一个值可变尺寸属性NodeMean更改为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。

这个生成代码函数完成这些动作:

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）；

比较伊菲特到Yfit_mex和节点到node_-mex．

最大值（abs（Yfit-Yfit_-mex），[]，“全部”)

ans=0

isequal（node，node_-mex）

ans=必然的1.

一般来说Yfit_mex可能包括与伊菲特.在这种情况下，比较证实伊菲特和Yfit_mex他们是平等的。

等质量返回逻辑1 (符合事实的)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。

在生成的代码中重新训练模型和更新参数

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。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=ValidateUpdateInputs（配置器、重新训练的DMDL）；

更新生成代码中的参数。

回归树模型(“更新”，参数）

验证生成的代码

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

isequal（node，node_-mex）

ans=必然的1.

比较确认预测响应和节点数相等。