使用二进制学习器的多类模型编码器配置器
A.ClassificationECOCCoderConfigurer
对象是多类纠错输出码(ECOC)分类模型的编码器配置器(Classifiedecoc.
或者CompactClassificationECOC
),使用支持向量机(SV金宝appM)或线性二进制学习器。
编码器配置器提供了方便的特性来配置代码生成选项、生成C/ c++代码以及更新生成代码中的模型参数。
配置代码生成选项,并使用对象属性指定模型参数的编码器属性。
生成C/ c++代码预测
和更新
ECOC模式的功能generateCode
.生成C/ c++代码需要MATLAB®编码员™.
更新生成的C/ c++代码中的模型参数,而不需要重新生成代码。当您使用新数据或设置重新训练模型时,该特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前,请使用validatedupdateInpuls.
验证并提取要更新的模型参数。
此流程图显示了使用编码器配置器的代码生成工作流。
有关多类ECOC分类模型的代码生成使用说明和限制,请参阅CompactClassificationECOC
,预测
, 和更新
.
通过使用SVM或线性二进制学习者培训多种子体ECOC分类模型Fitcecoc.
,使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer
.使用编码器配置器的属性来指定编码器属性预测
和更新
论点。然后,使用generateCode
根据指定的编码器属性生成C/ c++代码。
预测
参数属性的编码器属性预测
生成的代码中的函数参数。
X
—预测器数据的编码器属性LearnerCoderInput
对象预测器数据的编码器属性,以传递给为预测
ECOC分类模型的功能,指定为aLearnerCoderInput
目的。
使用使用时创建编码器配置程序时learnerCoderConfigurer
函数,输入参数X
确定默认值LearnerCoderInput
编码器属性:
SizeVector
- 默认值是输入的数组大小X
.
如果是价值
属性的ObservationsIn
本物业ClassificationECOCCoderConfigurer
是“行”
那么这个SizeVector
价值是[n p]
,在那里N
对应于观察次数和P
对应于预测器的数量。
如果是价值
属性的ObservationsIn
本物业ClassificationECOCCoderConfigurer
是“列”
那么这个SizeVector
价值是[p n]
.
切换元素SizeVector
(例如,改变[n p]
来[p n]
),修改价值
属性的ObservationsIn
本物业ClassificationECOCCoderConfigurer
照着您不能修改SizeVector
直接价值。
可变尺寸
—默认值为[0 0]
,表示阵列大小如规定固定SizeVector
.
您可以将此值设置为[1 0]
如果是SizeVector
价值是[n p]
或[0 1]
如果是[p n]
,表示阵列具有可变大小的行和固定大小列。例如,[1 0]
的第一个值SizeVector
(N
)是行数的上限,第二个值是SizeVector
(P
)是列数。
数据类型
—取值为单
或者双
.默认数据类型取决于输入的数据类型X
.
可调性
—必须为真的
, 意思是预测
在生成的C/C++代码中,始终包含预测器数据作为输入。
您可以使用点表示法修改编码器属性。例如,要生成接受带有三个预测变量(列)的100个观察值的预测数据的C/ c++代码,指定这些编码器属性X
用于编码器配置器配置
:
configuration . x . sizevector = [100 3];configurer.X.DataType ='双倍的';configurer.x.variaBolidimensions = [0 0];
[0 0]
表示第一和第二维度X
(分别观察数量和预测变量的数量)具有固定尺寸。
要允许生成的C / C ++代码接受最多100个观察的预测器数据,请指定这些编码器属性X
:
configuration . x . sizevector = [100 3];configurer.X.DataType ='双倍的';configur.x.variabledimensions = [1 0];
[1 0]
表示的第一个维度X
(观察次数)具有可变尺寸和第二维度X
(预测变量的数量)有一个固定的大小。在本例中,指定的观察数(100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察,请指定范围为正
.
双星
—二进制学习者丢失函数的编码器属性EnumeratedInput
对象二进制学习者丢失函数的编码器属性(“BinaryLoss”
名称 - 值对参数预测
),指定为EnumeratedInput
目的。
属性的默认属性值EnumeratedInput
对象的默认值预测
功能:
价值
-二进制学习器损失函数,指定为中的字符向量之一内置选项
或指定自定义函数名称的字符向量。如果二进制学习者是SVM学习者的SVMS或线性分类模型,则默认值是'合页'
.如果二进制学习者是Logistic回归学习者的线性分类模型,则默认值是“二次”
.
要使用自定义选项,请在MATLAB搜索路径上定义自定义函数,并指定价值
作为自定义函数的名称。
SelectedOption
—取值为“内置”
(默认)或'风俗'
.该软件集SelectedOption
根据价值
.此属性是只读的。
内置选项
-细胞阵列“汉明”
,'线性'
,“二次”
,“指数”
,“偏差”
,'合页'
, 和“罗吉特”
.此属性是只读的。
IsConstant
—必须为真的
.
可调性
—默认值为错误的
.如果指定其他属性值可调性
是错误的
,软件集可调性
来真的
.
解码
—解码方案的编码器属性EnumeratedInput
对象解码方案的编码器属性(“解码”
名称 - 值对参数预测
),指定为EnumeratedInput
目的。
属性的默认属性值EnumeratedInput
对象的默认值预测
功能:
价值
—解码方案值,指定为'失去重量'
(默认),“lossbased”
,或者LearnerCoderInput
目的。
如果你设置了IsConstant
来错误的
,然后软件更改价值
到一个LearnerCoderInput
具有这些只读编码器属性值的对象:
SizeVector
—12 [1]
可变尺寸
—[0 1]
数据类型
—“字符”
可调性
- 1
生成的代码中的输入是一个大小可变、可调的字符向量,可以是'失去重量'
或者“lossbased”
.
SelectedOption
—取值为“内置”
(默认)或'不合作'
.该软件集SelectedOption
根据价值
.此属性是只读的。
内置选项
-细胞阵列'失去重量'
和“lossbased”
.此属性是只读的。
IsConstant
—默认值为真的
.如果将此值设置为错误的
,软件更改价值
到一个LearnerCoderInput
目的。
可调性
—默认值为错误的
.如果指定其他属性值可调性
是错误的
,软件集可调性
来真的
.
ObservationsIn
—预测数据观测维数的编码属性EnumeratedInput
对象预测数据观测维数的编码器属性(“ObservationsIn”
名称 - 值对参数预测
),指定为EnumeratedInput
目的。
使用使用时创建编码器配置程序时learnerCoderConfigurer
函数,“ObservationsIn”
名称-值对参数确定EnumeratedInput
编码器属性:
价值
—默认值是您在创建编码器配置器时使用的预测器数据观察维度,指定为“行”
或者“列”
.如果没有指定“ObservationsIn”
创建编码器配置程序时,默认值是“行”
.
该值必须为“行”
用于支持向量机二进制学习器的模型。
SelectedOption
- 这个值始终是“内置”
.此属性是只读的。
内置选项
-细胞阵列“行”
和“列”
.此属性是只读的。
IsConstant
—必须为真的
.
可调性
—默认值为错误的
如果您指定“ObservationsIn”、“行”
当创建编码器配置器时,和真的
如果您指定“ObservationsIn”、“列”
.如果你设置了可调性
来错误的
,软件集价值
来“行”
。如果在可调性
是错误的
,软件集可调性
来真的
.
NumOutputs
—输入输出数预测
从生成的C / C ++代码返回的输出参数的数量预测
ECOC分类模型的功能,指定为1、2或3。
输出参数预测
依次是:标签
(预测类标签),negl
(减去平均二进制损失),和PBScore
(正级别得分)。预测
在生成的C / C ++代码中返回第一个代码N
输出的预测
功能,在哪里N
是个NumOutputs
价值。
在创建编码器配置器之后配置
,您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
这个NumOutputs
属性等价于'-Nargout'
编译器选项codegen
(MATLAB编码器).此选项指定代码生成的入口点函数中的输出参数数量。的目标函数generateCode
生成两个入口点函数 -predict.m
和update.m
为预测
和更新
函数,并为两个入口点函数生成C/C++代码NumOutputs
属性对应于入口点函数中的输出参数数量predict.m
.
数据类型:双
更新
参数属性的编码器属性更新
生成的代码中的函数参数。这个更新
函数将培训的模型和新型号参数作为输入参数,返回包含新参数的模型的更新版本。要启用更新生成的代码中的参数,则需要在生成代码之前指定参数的编码器属性。用一个LearnerCoderInput
对象指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数MDL.
的learnerCoderConfigurer
.
二进制书
—培训二元学习者的编码器属性分类VMCoderConfiguration
对象|ClassificationLinearCoderConfigurer
对象经过训练的二进制学习者的编码属性(二进制书
的ECOC分类模型),指定为分类VMCoderConfiguration
对象(用于SVM二进制学习器)或ClassificationLinearCoderConfigurer
对象(用于线性二进制学习者)。
使用更新
SVM或线性编码器配置器对象的参数,用于指定所有二进制学习器的编码器属性。
用于配置二进制书
,该软件仅使用更新
参数属性,并忽略对象的其他属性。
当你用支持向量机二进制学习器训练ECOC模型时,每个学习器可以有不同数量的支持向量。金宝app因此,软件配置的属性值为默认值LearnerCoderInput
对象α
,金宝appSupportVectorLabels.
, 和金宝appSupportVectors
根据输入参数容纳所有二进制学习者MDL.
的learnerCoderConfigurer
.
SizeVector
这个值是[s 1]
为α
和金宝appSupportVectorLabels.
,在那里s
是二进制学习器中支持向量的最大个数。金宝app
这个值是[s p]
为金宝appSupportVectors
,在那里P
是预测器的数量。
可变尺寸
—取值为[0 0]
或者[1 0]
.如果每个学习者具有相同数量的支持向量,则默认值为金宝app[0 0]
.否则,该值必须为[1 0]
.
[0 0]
中指定的数组大小是固定的SizeVector
.
[1 0]
指示数组具有可变大小的行和固定大小的列。在本例中,第一个值SizeVector
上限值是行数,第二个值是SizeVector
为列数。
数据类型
—取值为“单一”
或者'双倍的'
。默认数据类型与用于培训的培训数据的数据类型一致MDL.
.
可调性
-如果你用线性核函数训练一个模型,并且模型存储线性预测系数(bet
)没有支持向量和相关值,则该金宝app值必须为错误的
.否则,该值必须为真的
.
了解对方的详细情况更新
参数,看到更新
参数的分类VMCoderConfiguration
和更新
参数的ClassificationLinearCoderConfigurer
.
成本
—编码器属性的误分类代价LearnerCoderInput
对象错误分类成本的编码者属性(成本
的ECOC分类模型),指定为LearnerCoderInput
目的。
属性的默认属性值LearnerCoderInput
对象基于输入参数MDL.
的learnerCoderConfigurer
:
SizeVector
—必须为[c c]
,在那里C
为类数。
可变尺寸
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或者'双倍的'
。默认数据类型与用于培训的培训数据的数据类型一致MDL.
.
可调性
—默认值为真的
.
事先的
—先验概率的编码器属性LearnerCoderInput
对象先验概率的编码属性(事先的
的ECOC分类模型),指定为LearnerCoderInput
目的。
属性的默认属性值LearnerCoderInput
对象基于输入参数MDL.
的learnerCoderConfigurer
:
SizeVector
—必须为[1 c]
,在那里C
为类数。
可变尺寸
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或者'双倍的'
。默认数据类型与用于培训的培训数据的数据类型一致MDL.
.
可调性
—默认值为真的
.
OutputFileName
—生成的C/ c++代码的文件名“ClassificationECOCModel”
(默认)|特征向量生成的C/C++代码的文件名,指定为字符向量。
的目标函数generateCode
的ClassificationECOCCoderConfigurer
使用此文件名生成C / C ++代码。
文件名不能包含空格,因为在某些操作系统配置中,空格可能导致代码生成失败。此外,文件名必须是有效的MATLAB函数名。
在创建编码器配置器之后配置
,您可以使用点表示法指定文件名。
configur.outputfilename =.“myModel”;
数据类型:字符
冗长的
—冗长级别真的
(逻辑1)(默认)|错误的
(逻辑0)详细级别,指定为真的
(逻辑1)或错误的
(逻辑0)。详细级别控制命令行上通知消息的显示。
价值 | 描述 |
---|---|
真的 (逻辑1) |
当您对参数的编码器属性的更改导致其他相关参数的更改时,该软件将显示通知消息。 |
错误的 (逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中启用更新机器学习模型参数,需要在生成代码之前配置参数的编码器属性。参数的编码属性彼此依赖,因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改参数的编码器属性,并且该修改需要随后更改其他相关参数以满足配置约束,则软件将更改相关参数的编码器属性。详细级别决定软件是否为这些后续更改显示通知消息。
在创建编码器配置器之后配置
,您可以使用点表示法修改详细程度。
configur.verbose = false;
数据类型:必然的
要自定义代码生成工作流,请使用生成文件
函数和以下三个属性codegen
(MATLAB编码器),而不是使用generateCode
作用
在生成两个入口点函数文件(predict.m
和update.m
)通过使用生成文件
功能,您可以根据代码生成工作流修改这些文件。例如,您可以修改predict.m
文件以包括数据预处理,或者您可以将这些入口点函数添加到另一个代码生成项目中。然后,您可以使用codegen
(MATLAB编码器)功能和codegen
适用于修改的入境点函数或代码生成项目的参数。使用本节中描述的三个属性作为设置的起点codegen
论点。
CodeGenerationArguments
—codegen
参数此属性是只读的。
codegen
(MATLAB编码器)参数,指定为单元格数组。
此属性使您能够自定义代码生成工作流。使用generateCode
功能如果您不需要自定义工作流程。
而不是使用generateCode
使用编码器配置程序配置
,你可以生成C/ c++代码如下:
generateFiles(配置器)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
CGARGS.
因此在呼叫之前codegen
.
修改的其他属性配置
,则软件更新CodeGenerationArguments
相应的属性。
数据类型:细胞
PredictInputs
—的可调输入参数列表预测
此属性是只读的。
入口点函数的可调输入参数列表predict.m
对于代码生成,指定为单元格数组。单元格数组包含另一个单元格数组,其中包括编码器。PrimitiveType
(MATLAB编码器)对象和编码器.Constant.
(MATLAB编码器)物体。
的编码器属性预测
参数,则软件相应更新相应对象。如果指定可调性
属性是错误的
,则该软件从PredictInputs
列表。
单元格阵列PredictInputs
相当于configurer.codegenerationArguments {6}
用于编码器配置器配置
.
数据类型:细胞
更新输入
—的可调输入参数列表更新
此属性是只读的。
入口点函数的可调输入参数列表update.m
对于代码生成,指定为结构的单元格数组。该结构包括编码器。CellType
(MATLAB编码器)对象二进制书
和编码器。PrimitiveType
(MATLAB编码器)对象成本
和事先的
.
的编码器属性更新
参数,则软件相应更新相应对象。如果指定可调性
属性是错误的
,则该软件从更新输入
列表。
的结构更新输入
相当于configurer.codegenerationArguments {3}
用于编码器配置器配置
.
数据类型:细胞
generateCode |
使用编码器配置器生成C/ c++代码 |
生成文件 |
产生MATLAB用于使用编码器配置器生成代码的文件 |
validatedupdateInpuls. |
验证并提取机器学习模型参数进行更新 |
训练一个机器学习模型,然后生成代码预测
和更新
通过使用编码器配置器来实现模型的功能。
负载Fisher的Iris数据集并使用SVM二进制学习者培训多种多组ECOC模型。
负载渔民X=meas;Y=species;Mdl=fitcecoc(X,Y);
MDL.
是一个Classifiedecoc.
目的。
控件创建一个编码器配置器Classifiedecoc.
模型使用learnerCoderConfigurer
.指定预测器数据X
.这个learnerCoderConfigurer
函数使用输入X
配置编码器属性预测
函数的输入。
CONFIGURER = LEARNERCODERCONFIGURER(MDL,X)
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: 1 OutputFileName:“ClassificationECOCModel”属性,方法
配置
是一个ClassificationECOCCoderConfigurer
对象的编码配置器Classifiedecoc.
目的。
要生成C / C ++代码,您必须可以访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯
-设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
为预测
和更新
ECOC分类模型的功能(MDL.
)的默认设置。
generatecode(Configurer)
GenerateCode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m'u','classificeecocmodel.mat'代码生成成功。
这个generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,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。
创建一个名为ClassificationECOCModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen \墨西哥人\ ClassificationECOCModel
文件夹中。
将MEX函数复制到当前文件夹。
显示文件的内容predict.m
,update.m
, 和初始化..
使用使用的文件类型
作用
类型predict.m
函数varargout=predict(X,varargin)%#codegen%由MATLAB自动生成,2021年9月1日14:42:40[varargout{1:nargout}]=initialize('predict',X,varargin{:});结束
类型update.m
函数更新(varargin)%#codegen%由MATLAB自动生成,2021年9月1日14:42:40初始化('update',varargin{:});结束
类型初始化..
函数[varargout] = initialize(命令,varargin)%#codegen%by matlab,01-sep-2021 14:42:40 Coder.inline('总是')持久模型如果是isempty(模型)模型= loadlearnerforcoder('classificationcocmodel。垫');结束开关(命令)案例'更新'%更新结构字段:BinaryLearners%先前的%成本模型=更新(型号,varargin {:});案例'预测'%预测输入:x x = varargin {1};如果nargin == 2 [varargout {1:nargout}] = predict(model,x);否则pvPairs = cell(1,nargin-2);对于i = 1:nargin-2 pvpairs {1,i} = varargin {i + 1};结束[varargout {1:nargout}] = predict(model,x,pvpaess {:});结束结束
使用支持向量机二进制学习器训练纠错输出码(ECOC)模型,并为该模型创建编码器配置器。使用编码器配置器的属性来指定ECOC模型参数的编码器属性。使用编码器配置器的对象函数生成C代码,用于预测新的预测数据的标签。然后使用不同的设置重新训练模型,并在不重新生成代码的情况下更新生成代码中的参数。
火车模型
载入费雪的虹膜数据集。
负载渔民X =量;Y =物种;
创建一个支持向量机二元学习模板,使用高斯核函数和标准化预测数据。
t = templateSVM ('骨箱','高斯',“标准化”,真的);
使用模板培训多类ECOC模型T
.
mdl = fitcecoc(x,y,“学习者”,t);
MDL.
是一个Classifiedecoc.
目的。
创建编码器配置
控件创建一个编码器配置器Classifiedecoc.
模型使用learnerCoderConfigurer
.指定预测器数据X
.这个learnerCoderConfigurer
函数使用输入X
配置编码器属性预测
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预测
函数,它是预测的标号和负的平均二进制损耗。
CONFIGURER =学习者(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
是一个ClassificationECOCCoderConfigurer
对象的编码配置器Classifiedecoc.
目的。显示屏显示可调谐输入参数预测
和更新
:X
,二进制书
,事先的
, 和成本
.
指定参数的编码器属性
指定编码器属性预测
参数(预测器数据和名称-值对参数)“解码”
和“BinaryLoss”
),更新
参数(SVM学习者的支金宝app持向量),以便您可以将这些参数用作输入参数预测
和更新
在生成的代码中。
首先,指定的编码器属性X
因此,生成的代码接受任何数量的观察。修改SizeVector
和可变尺寸
属性。这个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具有可变大小还是固定大小。
configurer.x.sizevector = [INF 4];configurer.x.variaBoldimensions = [真为false];
第一维度的大小是观察的数量。在这种情况下,代码指定大小的上限是正
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,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。的编码属性双星
.
configurer.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。指定价值
的属性双星
作为“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
当修改属性值时可调性
是错误的
(逻辑0),软件设置可调性
来真的
(逻辑1)。
的编码属性解码
.
配置。解码
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
作为错误的
以便使用。中的所有可用值内置选项
在生成的代码中。
configurer.Decoding.IsConstant = false;配置。解码
ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1
软件改变了价值
的属性解码
到一个LearnerCoderInput
对象,以便两者都可以使用'失去重量'
和'失去了
的价值“解码”
.此外,软件设置了SelectedOption
来'不合作'
和可调性
来真的
.
最后,修改编码器属性金宝appSupportVectors
在二进制书
.显示的编码器属性金宝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。金宝app如果使用新数据或不同的设置重新恢复ECOC型号,则SVM学习者中的支持向量数量可能会有所不同。金宝app因此,增加支撑载体数量的上限。金宝app
configur.binarylearners.su金宝apppportVectors.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。
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
现在显示包括双星
和解码
也
生成代码
要生成C / C ++代码,您必须可以访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯
-设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
为预测
和更新
ECOC分类模型的功能(MDL.
)。
generatecode(Configurer)
GenerateCode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m'u','classificeecocmodel.mat'代码生成成功。
这个generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,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。
创建一个名为ClassificationECOCModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen \墨西哥人\ ClassificationECOCModel
文件夹中。
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
功能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”
作为调谐输入参数来改变IsConstant
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'失去重量'
默认值是“解码”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,“指数”);[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测',X,“BinaryLoss”,“指数”,“解码”,'失去重量');
比较标签
来label_mex.
通过使用等质量
.
label_mex isequal(标签)
ans=必然的1.
等质量
返回逻辑1 (真的
),如果所有输入相等。比较证实了预测
功能MDL.
和预测
函数中返回相同的标签。
NegLoss_mex
可能包括与之相比的圆截止差异negl
.在这种情况下,比较NegLoss_mex
来negl
,允许小的宽容。
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negl
和NegLoss_mex
在公差内是相等的吗1 e-8
.
在生成的代码中重新训练模型和更新参数
使用不同的设置重新训练模型。指定“KernelScale”
作为“自动”
因此,软件使用启发式程序选择适当的比例因子。
t_new = templatesvm('骨箱','高斯',“标准化”,真的,“KernelScale”,“自动”);retrainedMdl = fitcecoc (X, Y,“学习者”, t_new);
使用提取要更新的参数validatedupdateInpuls.
.该函数检测修改后的模型参数returatedmdl.
并验证修改的参数值是否满足参数的编码器属性。
params = validatedupdateInputs(configurer,hetrowingmdl);
更新生成的代码中的参数。
classificeCocmodel(“更新”params)
验证生成的代码
比较来自的输出预测
功能returatedmdl.
的输出预测
在更新的MEX函数中的功能。
[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”,“指数”,“解码”,“lossbased”);[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测',X,“BinaryLoss”,“指数”,“解码”,“lossbased”);label_mex isequal(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.
等于,negl
和NegLoss_mex
在公差范围内相同。
LearnerCoderInput
对象编码器配置器使用LearnerCoderInput
对象的编码器属性预测
和更新
输入参数。
A.LearnerCoderInput
对象具有以下属性,以在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
SizeVector |
数组大小如果相应的话 数组大小的上界,如果对应 |
可变尺寸 |
指示符,指定数组的每个维度是具有可变大小还是固定大小,指定为
|
数据类型 |
数组的数据类型 |
可调性 |
指定是否 如果指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定系数的编码器属性α
在二进制书
编码器配置程序配置
:
configuration . binarylearners . alpha . sizevector = [100 1];configurer.BinaryLearners.Alpha.VariableDimensions = [1 0];configurer.BinaryLearners.Alpha.DataType ='双倍的';
冗长的
),真的
(默认值),当您修改机器学习模型参数的编码器属性时,软件会显示通知消息,而修改会改变其他相关参数的编码器属性。
EnumeratedInput
对象编码器配置器使用EnumeratedInput
对象的编码器属性预测
具有有限组可用值的输入参数。
一EnumeratedInput
对象具有以下属性,以在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
价值 |
价值
的默认值 |
SelectedOption |
所选选项的状态,指定为
此属性是只读的。 |
内置选项 |
相应的可用字符向量列表 此属性是只读的。 |
IsConstant |
指示符,指定数组值是否为编译时常量( 如果将此值设置为 |
可调性 |
指定是否 如果指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定的编码器属性双星
编码器配置程序配置
:
configurer.BinaryLoss.Value ='线性';
learnerCoderConfigurer
|Classifiedecoc.
|CompactClassificationECOC
|预测
|更新
|分类VMCoderConfiguration
|ClassificationLinearCoderConfigurer
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。