预处理数据，训练SVM分类器

加载病人属性创建一个表舒张压和收缩压数值变量。表中的每一行对应一个不同的患者。

负载病人台=表(舒张压、收缩压);头(台)

ans =8×2表舒张压收缩压_____ ________ 93 124 77 109 83 125 75 117 80 122 70 121 88 130 82 115

转换性别变量,分类变量。类别的顺序categoricalGender很重要，因为它决定了预测器数据中列的顺序。使用dummyvar将分类变量转换为0和1的矩阵，其中a1的价值(i, j)第项表明我病人属于j类别。

categoricalGender =分类(性别);orderGender =类别(categoricalGender)

orderGender =2 x1细胞{'女'}{‘男性’}

dummyGender = dummyvar (categoricalGender);

注意:由此产生的dummyGender矩阵是秩亏的。根据您所训练的模型的类型，这种等级缺陷可能会产生问题。例如，在训练线性模型时，去掉虚拟变量的第一列。

创建一个包含哑变量的表dummyGender与相应的变量标题。组合这个新表资源描述。

tblGender = array2table (dummyGender,“VariableNames”,orderGender);tbl =;头(台)

ans =8×4表________ ________舒张收缩女性男性____ ____ 93 124 0 1 77 109 0 0 1 83 125 75 117 0 1 0 80 122 70 121 0 1 0 88 130 82 115 0 1

转换SelfAssessedHealthStatus变量,分类变量。请注意目录中类别的顺序categoricalHealth，并将该变量转换为数值矩阵dummyvar。

categoricalHealth =分类(SelfAssessedHealthStatus);orderHealth =类别(categoricalHealth)

orderHealth =4 x1细胞{'Excellent'} {'Fair'} {'Good'} {'Poor'}

dummyHealth = dummyvar (categoricalHealth);

创建包含以下内容的表dummyHealth与相应的变量标题。组合这个新表资源描述。

tblHealth = array2table (dummyHealth,“VariableNames”,orderHealth);tbl = [tbl];头(台)

ans =8×8表舒张收缩女性男性优秀的公平好可怜的_____ ________ ________ ___ _____ _____上93 124 0 1 1 0 0 0 77 109 0 1 0 1 0 0 0 0 0 1 0 83 125 75 117 1 0 0 1 0 0 0 0 0 1 0 80 122 70 121 1 0 0 0 0 0 0 0 1 0 88 130 82 115 0 1 0 0 1 0

第三行资源描述例如，患者具有以下特征:舒张压83，收缩压125，女性，自我评价健康状况良好。

因为所有的值资源描述是数值的，可以将表转换为矩阵吗X。

X = table2array(台);

训练一个SVM分类器使用X。指定吸烟者变量作为响应。

Y =吸烟者;Mdl = fitcsvm (X, Y);

生成C / c++代码

生成加载SVM分类器的代码，将新的预测器数据作为输入参数，然后对新数据进行分类。

保存SVM分类器到文件使用saveLearnerForCoder。

saveLearnerForCoder (Mdl“SVMClassifier”)

saveLearnerForCoder保存分类器到MATLAB®二进制文件SVMClassifier.mat作为当前文件夹中的结构数组。

定义入口点函数mySVMPredict，它将新的预测器数据作为输入参数。在函数内，通过使用加载SVM分类器loadLearnerForCoder，然后将加载的分类器传递给预测。

类型mySVMPredict.m%显示mySVMPredict的内容。m文件

codegen Mdl = loadLearnerForCoder('SVMClassifier');标签=预测(Mdl X);结束

注意:如果单击该页右上方的按钮，并在MATLAB中打开此示例，MATLAB将打开示例文件夹。这个文件夹包含了入口函数文件mySVMPredict.m。

生成的代码mySVMPredict通过使用codegen。使用指定新预测器数据的数据类型和维度coder.typeof以便生成的代码接受大小可变的数组。

codegenmySVMPredictarg游戏{编码器。类型of(X,[Inf 8],[1 0])}

验证mySVMPredict而MEX文件对训练数据返回相同的结果。

标签=预测(Mdl X);mylabel = mySVMPredict (X);mylabel_mex = mySVMPredict_mex (X);verifyMEX = isequal(标签、mylabel mylabel_mex)

verifyMEX =逻辑1

预测新数据的标签

要预测新数据的标签，必须首先对新数据进行预处理。如果在MATLAB环境中运行生成的代码，就可以执行本节中描述的预处理步骤。如果在MATLAB环境之外部署生成的代码，预处理步骤可能会有所不同。无论哪种情况，都必须确保新数据具有与训练数据相同的列X。

在本例中，以第3、第4和第5个病人为例病人对这些患者的数据进行预处理，使得到的数字矩阵与训练数据的形式匹配。

将分类变量转换为虚拟变量。因为新的观察值可能不包括来自所有类别的值，所以需要指定与训练期间使用的类别相同的类别，并维护相同的类别顺序。在MATLAB中，传递与相应训练数据变量(在本例中，orderGender性别价值观和orderHealth用于自我评估健康状况值)。

newcategoricalGender =分类(性别(3:5),orderGender);newdummyGender = dummyvar (newcategoricalGender);newcategoricalHealth =分类(SelfAssessedHealthStatus (3:5), orderHealth);newdummyHealth = dummyvar (newcategoricalHealth);

将所有的新数据合并成一个数字矩阵。

[舒张(3:5)收缩压(3:5)]

newX =3×80 75 117 83 125 1 0 0 0 1 1 0 0 1 0 0 80 122 1 0 0 0 1 0

请注意,newX正好对应于矩阵的第三，第四和第五行X。

验证mySVMPredict而MEX文件对新数据返回相同的结果。

newX newlabel =预测(Mdl);newmylabel = mySVMPredict (newX);newmylabel_mex = mySVMPredict_mex (newX);newverifyMEX = isequal (newlabel newmylabel newmylabel_mex)

newverifyMEX =逻辑1