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。

加载电离层Mdl=fitcsvm（X（1:50，：），Y（1:50））；

Mdl是一个分类VM对象。

创建编码器配置

控件创建一个编码器配置器分类VM模型通过使用LearnerCoder配置器．指定预测器数据X. 这个LearnerCoder配置器功能使用输入X属性的编码器属性预测函数输入。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。

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

配置器是一个ClassificationSVMCoderConfigurer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。金宝app

首先，指定编码器属性X这样生成的代码就可以接受任意数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定预测器数据大小的上限，而杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configuration . x . sizevector = [Inf 34];configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的次数。在本例中，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，这个值必须是固定的。X包含34个预测器，因此秘诀属性的值必须为34杂色金属依赖项属性必须假．

如果使用新的数据或不同的设置重新训练SVM模型，支持向量的数量可能会有所不同。金宝app因此，指定的编码器属性金宝appSupportVectors这样您就可以更新生成代码中的支持向量。金宝app

configurati金宝appon . 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金宝appzeVector属性以满足配置约束。

configurer.金宝appsupportVectors.variabledimensions = [true false];

已修改Alpha的VariableDimensions属性以满足配置约束。修改了SupportVectorLabels的VariableDi金宝appmensions属性以满足配置约束。

如果修改的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α和金宝appSupportVectorLabels满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。

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。金宝app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．

使用generateCode为此生成代码预测和更新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。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update.m对于预测和更新的功能Mdl， 分别。然后generateCode创建一个名为分类模型对于两个入口点函数codegen \墨西哥人\ ClassificationSVMModel文件夹并将MEX函数复制到当前文件夹。

验证生成的代码

通过一些预测数据来验证是否预测的函数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,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);

比较标签和label_mex通过使用是平等的．

label_mex isequal(标签)

ans =逻辑1

是平等的返回逻辑1(真正的）如果所有输入相等。比较证实了预测的函数Mdl和预测函数中返回相同的标签。

得分_mex.可能包括舍入差异与分数．在这种情况下，比较得分_mex.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

比较证实了分数和得分_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

使用整个数据集重新培训模型。

retrainedMdl = fitcsvm (X, Y);

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl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

的输出比较预测的函数retrainedMdl和预测函数。

(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

查找（abs（分数-分数-平均值）>1e-8）

Ans = 0x1空双列向量

比较证实了标签和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。

加载fisheririsX =量;Y =物种;

创建SVM二进制学习者模板以使用高斯内核功能并标准化预测器数据。

t = templateSVM (“KernelFunction”那“高斯”那“标准化”,真正的);

使用模板训练多牌ecoc模型T.．

Mdl = fitcecoc (X, Y,'学习者't);

Mdl是一个ClassificationECOC对象。

创建编码器配置

控件创建一个编码器配置器ClassificationECOC模型通过使用LearnerCoder配置器．指定预测器数据X. 这个LearnerCoder配置器功能使用输入X属性的编码器属性预测函数的输入。此外，将输出的数量设置为2，以便生成的代码返回第一个输出预测函数，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)

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ClassificationECOCCoderConfigurer对象的编码配置器ClassificationECOC对象。的可调参数预测和更新：X那BinaryLearners那之前,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“BinaryLoss”),更新参数(支持向量机学习器金宝app的支持向量)，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。修改秘诀和杂色金属依赖项属性。这秘诀属性指定预测器数据大小的上限，而杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

[Inf 4];configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的次数。在本例中，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，这个值必须是固定的。X包含4个预测值，因此秘诀属性必须为4，并且是杂色金属依赖项属性必须假．

接下来，修改的编码器属性二进制数和解码使用“BinaryLoss”和'解码'生成的代码中的名称-值对参数。的编码属性二进制数．

configur.binaryloss.

ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {1x7 cell} 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。请指定价值的属性二进制数作为“指数”．

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

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

如果在以下情况下修改属性值：可调性是假(逻辑0)，软件设置可调性来真正的(逻辑1)。

的编码属性解码．

configurer.decoding.

ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0

指定IsConstant的属性解码作为假这样您就可以使用所有可用值BuiltInOptions在生成的代码中。

configurer.Decoding.IsConstant = false;configurer.decoding.

ANS = eNumerateDupput使用属性：value：[1x1 LearnerCoderInput] SelectedOption：'不可置位'内置选项：{'lockwuighted''丢失备用'} iSononstant：0可调性：1

软件改变了价值的属性解码到LearnerCoderInput对象使您可以使用两者“lossweighted”和“lossbased的价值'解码'．此外，软件设置SelectedOption来“非常数的”和可调性来真正的．

最后，修改的编码器属性金宝appSupportVectors在BinaryLearners．的编码属性金宝appSupportVectors．

configurer.BinaryLearners.金宝appSupportVectors

ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1

的默认值杂色金属依赖项是[真假]因为每个学习者都有不同数量的支持向量。金宝app如果您使用新的数据或不同的设置重新训练ECOC模型，SVM学习器中的支持向量的数量可能会有所不同。金宝app因此，增大支持向量数目的上界。金宝app

configurer.BinaryLearners.金宝appSupportVectors.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金宝appzeVector属性以满足配置约束。

如果修改的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α和金宝appSupportVectorLabels满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。

显示编码器配置器。

配置器

configurer = ClassificationCocoderConfigurer具有属性：更新输入：BinaryLearners：[1x1 scresisificsvmcoderConfigurer]之前：[1x1 LearnercoderInput]预测输入：x：[1x1 inumerateDute] Binaryloss：[1x1 enumerateInput]解码：[1x1 enumerateInput]代码生成参数：NUMOUTPUTS：2 OUTPUTFILENAME：'ClassificationCocModel'属性，方法

现在显示器包括二进制数和解码也

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。金宝app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．

为此生成代码预测和更新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。代码生成成功。

这generateCode函数完成以下操作：

验证生成的代码

通过一些预测数据来验证是否预测的函数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'作为可调参数，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“lossweighted”默认值是'解码'．

[标签，dropsа] =预测（mdl，x，“BinaryLoss”那“指数”); [label_-mex，NegLoss_-mex]=分类模型(“预测”，X，“BinaryLoss”那“指数”那'解码'那“lossweighted”）;

比较标签来label_mex通过使用是平等的．

label_mex isequal(标签)

ans =逻辑1

是平等的返回逻辑1(真正的）如果所有输入相等。比较证实了预测的函数Mdl和预测函数中返回相同的标签。

NegLoss_mex可能包括舍入差异与NegLoss．在这种情况下，比较NegLoss_mex来NegLoss，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

比较证实了NegLoss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

使用不同的设置重新培训模型。指定“KernelScale”作为'汽车'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”那“高斯”那“标准化”,真的,“KernelScale”那'汽车'); 再培训DMDL=fitcecoc（X，Y，'学习者', t_new);

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl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。

ClassificationECOCModel (“更新”params)

验证生成的代码

的输出比较预测的函数retrainedMdl的输出预测函数。

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

ans =逻辑1

找到(abs (NegLoss-NegLoss_mex) > 1 e-8)

Ans = 0x1空双列向量

比较证实了标签和label_mex是相等的,NegLoss和NegLoss_mex在公差范围内是相等的。

火车模型

加载carsmall数据集和训练支持向量机回归模型使用前50个观察。

加载carsmallx = [马力，重量];Y = MPG;mdl = fitrsvm（x（1:50，:)，y（1:50））;

Mdl是一个回归对象。

创建编码器配置

控件创建一个编码器配置器回归模型通过使用LearnerCoder配置器．指定预测器数据X. 这个LearnerCoder配置器功能使用输入X属性的编码器属性预测函数的输入。

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。金宝app

首先，指定编码器属性X这样生成的代码就可以接受任意数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定预测器数据大小的上限，而杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configuration . x . sizevector = [Inf 2];configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的次数。在本例中，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，这个值必须是固定的。X包含两个预测器，因此秘诀属性的值必须为2杂色金属依赖项属性必须假．

如果使用新的数据或不同的设置重新训练SVM模型，支持向量的数量可能会有所不同。金宝app因此，指定的编码器属性金宝appSupportVectors这样您就可以更新生成代码中的支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 2];

Alpha的SizeVector属性已被修改以满足配置约束。

configurer.金宝appsupportVectors.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金宝appSupportVectors，然后软件修改的编码器属性α满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。

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。金宝app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．

使用generateCode为此生成代码预测和更新SVM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”、“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update.m对于预测和更新的功能Mdl， 分别。然后generateCode创建一个名为RegressionSVMModel对于两个入口点函数codegen \墨西哥人\ RegressionSVMModel文件夹并将MEX函数复制到当前文件夹。

验证生成的代码

通过一些预测数据来验证是否预测的函数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可能包括舍入差异与YFIT.．在这种情况下，比较YFIT.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

比较证实了YFIT.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培训模型。

retrainedMdl = fitrsvm (X, Y);

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl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vmmodel（“更新”params)

验证生成的代码

的输出比较预测的函数retrainedMdl和预测函数。

yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel (“预测”, X);查找（ABS（YFIT-YFIT_MEX）> 1E-6）

Ans = 0x1空双列向量

比较证实了YFIT.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，并使用一半的观察来培训回归树模型。

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

Mdl是一个RegressionTree对象。

创建编码器配置

控件创建一个编码器配置器RegressionTree模型通过使用LearnerCoder配置器．指定预测器数据XTrain. 这个LearnerCoder配置器功能使用输入XTrain属性的编码器属性预测函数的输入。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。

配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”2);

配置器是一个RegressionTreeCoderConfigurer对象的编码配置器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。

属性的编码器属性X的属性配置器这样生成的代码就可以接受任意数量的观察。修改秘诀和杂色金属依赖项属性。这秘诀属性指定预测器数据大小的上限，而杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configurer.x.sizevector = [INF 3];configur.x.variabledimensions

ans =1 x2逻辑阵列1 0.

第一个维度的大小是观测的次数。的值秘诀属性来Inf导致软件修改杂色金属依赖项属性来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，这个值必须是固定的。由于预测器数据包含3个预测器，因此秘诀属性必须3.以及它的价值杂色金属依赖项属性必须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，指定的第一个维度秘诀属性，以便更新生成的代码中的节点数量:孩子们那割点那CutPredictorIndex,或诺德米安. 然后，软件会自动修改其他属性。

例如，设置秘诀的属性诺德米安财产Inf. 这个software modifies the秘诀和杂色金属依赖项的属性孩子们那割点,CutPredictorIndex匹配树中节点数的新上限。此外杂色金属依赖项的属性诺德米安改变到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。

configur.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。金宝app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．

为此生成代码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:米”、“预测。米”、“更新。米”、“RegressionTreeModel。代码生成成功。

这generateCode函数完成以下操作：

验证生成的代码

通过一些预测数据来验证是否预测的函数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_mex，node_mex] = regressiontreemodel（“预测”, XTrain);

比较Yfit来Yfit_mex和节点来node_mex.．

马克斯(abs (Yfit-Yfit_mex), [],“所有”）

ans = 0

isequal（节点，node_mex）

ans =逻辑1

一般来说,Yfit_mex可能包括舍入差异与Yfit．在这种情况下，比较证实了Yfit和Yfit_mex是相等的。

是平等的返回逻辑1(真正的）如果所有输入参数都是相等的。比较证实了预测的函数Mdl和预测函数中返回相同的节点号。

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培训模型。

retrainedMdl = fitrtree (X, Y);

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl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。

RegressionTreeModel（“更新”params)

验证生成的代码

比较来自的输出参数预测的函数retrainedMdl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), [],“所有”）

ans = 0

isequal（节点，node_mex）

ans =逻辑1

通过比较，确认了预测响应和节点数是相等的。