learnerCoderConfigurer

火车模型

加载电离层数据集。这个数据集有34个预测因子和351二进制响应雷达回报,要么坏(“b”)或好(‘g’)。

负载电离层

火车一个二进制SVM分类模型使用前50的观察和高斯核函数的自动内核规模。

Mdl = fitcsvm (X (1:50:), Y (1:50),…“KernelFunction”,“高斯”,“KernelScale”,“汽车”);

Mdl是一个ClassificationSVM对象。

创建编码器配置

创建一个编码器的配置ClassificationSVM模型通过使用learnerCoderConfigurer。指定的预测数据X。的learnerCoderConfigurer函数使用的输入X配置的编码属性预测函数的输入。同时,设置输出的数量2,这样生成的代码返回预测标签和分数。

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

配置是一个ClassificationSVMCoderConfigurer对象,该对象是一个编码器的配置ClassificationSVM对象。

指定编码的属性参数

指定编码支持向量机分类模型参数的属性,这样您就可以更新培训后生成的代码模型中的参数。本例中指定的编码属性预测数据,你想通过生成的代码和编码器SVM模型的支持向量的属性。万博1manbetx

首先,指定的编码属性X这样生成的代码接受任何数量的观察。修改SizeVector和VariableDimensions属性。的SizeVector属性指定的上界预测数据大小,和VariableDimensions属性指定每个维度的预测数据是否有一个变量大小或固定大小。

configurer.X。SizeVector= [Inf 34]; configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的数量。在这种情况下,代码指定大小的上限正和大小是可变的,这意味着X可以拥有任意数量的观察。这个规范是方便如果你不知道观察当生成代码的数量。

第二个维度是大小的预测变量的数量。这个值必须为一个固定的机器学习模型。X包含34个预测因子,所以的价值SizeVector属性的值必须是34和VariableDimensions属性必须假。

如果你重新训练支持向量机模型使用新数据或不同的设置,支持向量的个数可以有所不同。万博1manbetx因此,指定的编码属性万博1manbetxSupportVectors这样你就可以更新支持向量生成的代码。万博1manbetx

configurer.万博1manbetxSupportVectors。SizeVector = 34 (250);

αSizeVector属性已被修改,以满足配置约束。SizeVector属性SupportVector万博1manbetxLabels已被修改,以满足配置约束。

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

αVariableDimensions属性已被修改,以满足配置约束。VariableDimensions属性SupportVector万博1manbetxLabels已被修改,以满足配置约束。

如果你修改的编码属性万博1manbetxSupportVectors,那么软件修改的编码属性α和万博1manbetxSupportVectorLabels为了满足配置约束。如果编码器属性的修改一个参数需要对其他相关参数,以满足后续更改配置约束,那么软件更改的编码属性相关的参数。

生成代码

生成C / c++代码,您必须访问一个C / c++编译器配置正确。MATLAB编码器定位和使用支持,安装编译器。万博1manbetx您可以使用墨西哥人设置查看和更改默认编译器。更多细节,请参阅改变默认的编译器。

使用generateCode生成的代码预测和更新函数的支持向量机分类模型(Mdl用默认设置)。

generateCode(配置)

generateCode输出文件夹中创建这些文件:初始化。米”、“预测。米”、“更新。米”、“ClassificationSVMModel。垫的代码生成成功。

generateCode生成所需的MATLAB文件生成代码,包括两个入口点函数predict.m和update.m为预测和更新的功能Mdl,分别。然后generateCode创建一个墨西哥人函数命名ClassificationSVMModel的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel文件夹,将墨西哥人功能复制到当前文件夹。

验证生成的代码

一些预测数据来验证是否通过预测的函数Mdl和预测墨西哥人的函数返回相同的标签。在墨西哥人叫一个入口点函数有多个入口点函数,函数名指定为第一个输入参数。

(标签,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”,X);

比较标签和label_mex通过使用isequal。

label_mex isequal(标签)

ans =逻辑1

isequal返回逻辑1 (真正的如果所有的输入都是平等的。确认进行了比较预测的函数Mdl和预测墨西哥人的函数返回相同的标签。

score_mex相比之下,可能包括舍入差异分数。在这种情况下,比较score_mex和分数,允许一个小宽容。

找到(abs (score-score_mex) > 1 e-8)

ans = 0 x1空双列向量

比较证实,分数和score_mex宽容是相等的1 e-8。

重新培训模型和更新参数生成的代码

使用整个数据集训练模型。

retrainedMdl = fitcsvm (X, Y,…“KernelFunction”,“高斯”,“KernelScale”,“汽车”);

提取参数更新使用validatedUpdateInputs。这个函数修正模型参数的检测retrainedMdl并验证修改后的参数值是否满足编码器的属性参数。

params = validatedUpdateInputs(配置、retrainedMdl);

在生成的代码更新参数。

ClassificationSVMModel (“更新”params)

验证生成的代码

比较的输出预测的函数retrainedMdl和预测功能更新的墨西哥人的功能。

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

ans =逻辑1

找到(abs (score-score_mex) > 1 e-8)

ans = 0 x1空双列向量

比较证实,标签和labels_mex是相等的,分数在公差值相等。